利用OpenCV的Haar特征目标检测方法进行人脸识别的尝试（一）

一、前言

由于还处于学习阶段，大多数内容都是从网上学习借鉴的，重复的内容就不多赘述，只是将自己的经验和想法分享出来。感觉不错的学习资源如下

http://www.cnblogs.com/tornadomeet/archive/2012/03/28/2420936.html

http://www.cnblogs.com/wengzilin/p/3849118.html

http://blog.csdn.net/liulina603/article/details/8197889

二、目标检测概念

在实践前我先阅读了OpenCV中文网用户手册的相关内容，对目标检测有了一个大体的概念。

链接：http://wiki.opencv.org.cn/index.php/Cv模式识别

三、前期准备

1.准备用于人脸识别的正负样本

样本的选取上面链接的博客中说的都很清楚，按要求选好样本的大小，比例

需要注意的是。负样本的选取很有讲究，并不是图片越复杂，图片之间越不相干越好。如果识别有特定的应用场景，则负样本中应尽量挑选具有这类特定场景的图片。当然，我们的人脸识别并没有特定的场景，尽量选中照相时经常出现的背景即可。另外可以考虑添加一些干扰项，比如动物的脸。

下面是我使用的正负样本的下载地址，正样本均标准化为24*24像素，方便大家使用

http://download.csdn.net/detail/u011583927/8534763

2.生成正负样本的描述文件

按照上面链接中的教程一步一步来即可

以正样本为例，先打开cmd

使用cd 命令将命令行的作用位置调到存放样本图像的文件夹下

输入dir /b >pos_image.txt

正样本需要将生产的txt文件中数据格式化成固定格式，负样本不需要

3.创建vec文件

命令：opencv_createsamples.exe -vec pos.vec -info pos_image.txt -bg neg_image.txt -w 24 -h 24 -num 400

四、训练xml文件

命令：opencv_haartraining.exe -data xml -vec pos.vec -bg neg_image.txt -nstages 20 -nsplits 2 -minhitrate 0.999 -maxfalsealarm 0.5 -npos 800 -nneg 2500 -w 24 -h 24 -mem 1024 -mode ALL

训练的参数进行了多次调整，上面所示是我多次修改后最后选用的。训练过程可能出现多种多样的问题，需要耐心的尝试修改自己的样本集。如果并没有达到设置的阶段数就停止迭代，并没有发生错误，只是负样本太少或者不够丰富。我的就是这种情况，设置的20层，只运行到了14层。这种情况不会自动生成想要的xml文件，需要手动运行

文件夹转换为xml文件命令：convert.exe --size="24x24" xml haarcascade.xml

convert.exe是opencv自带的转换文件，名字应该是convert_cascade。exe

xml是训练时生成的文件夹的名字

haarcascade.xml是想要生成的xml文件的名字

由于对于算法的理解还不深刻，参数的选择只是在实践性的尝试。

获得的经验是影响训练的效果的最重要环节是样本的选择好坏！

首先，在你的精力和时间允许的情况下，收集的样本越多越好。正样本好坏会决定人脸的漏识率，负样本的好坏决定了误识率。

仔细分析我的样本可以看出，正样本800个，是直接下载的人脸包，貌似外国人的人脸居多，可能会影响我们的识别。负样本2500个，数量较大。

根据我最后的测试结果，和我们的分析是符合的。人脸的漏识率还是不太满意的，但是误识率比较低。

训练了几个小时，在第13层时停止迭代了，应该是负样本

五、识别

识别代码如下，只是简单调用了openCV提供的函数

#include "cv.h"
#include "highgui.h"CvHaarClassifierCascade* load_object_detector( const char* cascade_path )
{return (CvHaarClassifierCascade*)cvLoad( cascade_path );
}void detect_and_draw_objects( IplImage* image,CvHaarClassifierCascade* cascade,int do_pyramids )
{IplImage* small_image = image;CvMemStorage* storage = cvCreateMemStorage(0);CvSeq* faces;int i, scale = 1;/* if the flag is specified, down-scale the 输入图像 to get a performance boost w/o loosing quality (perhaps) 如果标识（do_puramids）是指定的,把输入图像缩小比例来获得一个性能的提升 without 不稳定的质量*/if( do_pyramids ){small_image = cvCreateImage( cvSize(image->width/2,image->height/2), IPL_DEPTH_8U, 3 );cvPyrDown( image, small_image, CV_GAUSSIAN_5x5 );/*功能：函数cvPyrDown使用Gaussian金字塔分解对输入图像向下采样。格式：void cvPyrDown(const CvArr*src,CvArr*dst,int filter=CV_GAUSSIAN_5x5);参数：src 输入图像。dst 输出图像，其宽度和高度应是输入图像的一半。filter 卷积滤波器类型，目前仅支持CV_GAUSSIAN_5x5。*/scale = 2;}/* use the fastest variant *//*使用了最快速的检测方式*/faces = cvHaarDetectObjects( small_image, cascade, storage, 1.1, 2, CV_HAAR_DO_CANNY_PRUNING );/* draw all the rectangles */for( i = 0; i < faces->total; i++ ){/* extract the rectanlges only *///CvRect face_rect = *(CvRect*)cvGetSeqElem( faces, i, 0 );CvRect face_rect = *(CvRect*)cvGetSeqElem( faces, i );cvRectangle( image, cvPoint(face_rect.x*scale,face_rect.y*scale),cvPoint((face_rect.x+face_rect.width)*scale,(face_rect.y+face_rect.height)*scale),CV_RGB(255,0,0), 3 );}if( small_image != image )cvReleaseImage( &small_image );cvReleaseMemStorage( &storage );
}
//  .exe testImageAddress 分类器地址（xml）
/* takes image filename and cascade path from the command line */
int main( int argc, char** argv )
{IplImage* image;if( argc==3 && (image = cvLoadImage( argv[1], 1 )) != 0 ){CvHaarClassifierCascade* cascade=(CvHaarClassifierCascade*)cvLoad(argv[2]);//CvHaarClassifierCascade* cascade = load_object_detector(argv[2]);detect_and_draw_objects( image, cascade, 1 );cvNamedWindow( "test", 0 );cvShowImage( "test", image );cvWaitKey(0);cvReleaseHaarClassifierCascade( &cascade );cvReleaseImage( &image );}return 0;
}

运行测试文件命令：可执行文件地址图片地址 xml文件地址
C:\Users\Administrator\Desktop\lena\x64\Debug\lena.exe D:\数字图像处理\图像处理图片\标准测试图片\dollar.bmp C:\Users\Administrator\Desktop\haarcascade.xml

上传了几张程序运行结果