基于OpenCV的笑脸检测.docx
《基于OpenCV的笑脸检测.docx》由会员分享，可在线阅读，更多相关《基于OpenCV的笑脸检测.docx（12页珍藏版）》请在冰豆网上搜索。
基于OpenCV的笑脸检测
重庆交通大学信息科学与工程学院
综合性设计性实验报告
班级：
物联网150X班
姓名学号：
gllh
实验项目名称：
基于OpenCV的笑脸检测
实验项目性质：
综合性
实验所属课程：
《多媒体技术》
实验室（中心）：
语音楼801信息实验室
指导教师：
娄路
实验完成时间：
2018年7月1日
目录
实验题目2
实验要求3
实验过程3
测试结果及说明4
使用SVM进行测试4
使用svm进行训练7
实验体会11
实验题目
基于OpenCV的笑脸检测
实验要求
1.分组要求：
每个学生独立完成，即1人1组。
2.程序及报告文档要求：
具有较好的可读性，如叙述准确、标注明确、截图清晰等。
实验过程
本实验使用HOG特征检测算法和SVM算法对图片进行笑脸检测，HOG特征检测算法的几个步骤：
颜色空间归一化、梯度计算、梯度方向直方图、重叠块直方图归一化然后得到HOG特征；SVM是分类算法中应用广泛、效果不错的一类。
HOG算法首先进行颜色空间归一化，由于图像的采集环境、装置等因素，采集到的人脸图像效果可能不是很好，容易出现误检或漏检的情况，所以需要对采集到的人脸进行图像预处理，主要是处理光线太暗或太强的情况，这里有两次处理：
图像灰度化、Gamma校正；之后进行图像灰度化，对于彩色图像，将RGB分量转化成灰度图像；在进行Gamma校正时，在图像照度不均匀的情况下，可以通过Gamma校正，将图像整体亮度提高或降低。
在实际中可以采用两种不同的方式进行Gamma标准化，使用梯度计算的方法，经过颜色空间归一化后的图像，求取其梯度及梯度方向。
分别在水平和垂直方向进行计算，最后HOG人脸特征及所对应的SVM分类器的参数，在opencv中已经训练好了，我们只需要得到HOG特征，然后调用SVM即可得到判别结果。
测试结果及说明
使用SVM进行测试
#include"svmTest.h"
usingnamespacecv;
intmain（intargc,constchar**argv）
{
#pragmaregionArgumentparsing
CommandLineParserparser（argc,argv,keyMap）;
parser.about（"FaceDetection-HOG-SVM"）;
if（parser.has（"help"））
{
parser.printMessage（）;
return0;
}
StringsvmPath=parser.get（"svm"）;
StringpositivePath=parser.get（"pos"）;
StringnegativePath=parser.get（"neg"）;
if（positivePath==""）{
printf（"ThereisnopositivePath\n"）;
return-1;
}
if（negativePath==""）{
printf（"ThereisnonegativePath\n"）;
return-1;
booltest=testSVM（&positivePath,&negativePath,&svmPath）;
if（!
test）
return-1;
return0;
}
booltestSVM（String*positiveTestPath,String*negativTestPath,String*svmPath）{
#pragmaregionInitialization
printf（"Initialize\n"）;
//Findingallimagesinbothpathes
std:
:
vectorpositiveFileNames,negativeFileNames,allFileNames;
glob（*positiveTestPath,positiveFileNames）;
glob（*negativTestPath,negativeFileNames）;
//Testingifthereareimagesinthepathes
if（positiveFileNames.size（）<=0）{
printf（"Therearenoimagesin%s\n",*positiveTestPath）;
returnfalse;
}
if（negativeFileNames.size（）<=0）{
printf（"Therearenoimagesin%s\n",*negativTestPath）;
returnfalse;
}
allFileNames.insert（allFileNames.end（）,positiveFileNames.begin（）,positiveFileNames.end（））;
allFileNames.insert（allFileNames.end（）,negativeFileNames.begin（）,negativeFileNames.end（））;
//MattestData=Mat_（DESCRIPTOR_SIZE,allFileNames.size（））;
MattestData=Mat_（allFileNames.size（）,DESCRIPTOR_SIZE）;
inttestCount=0;
Ptr:
SVM>svm=ml:
:
SVM:
:
create（）;
svm=svm->load:
SVM>（*svmPath）;
if（!
svm->isTrained（））{
printf（"TheSVMisn'ttrainedthroughthispath:
%s\n",*svmPath）;
returnfalse;
}
HOGDescriptorhogD;
hogD.winSize=Size（WINDOW_SIZE,WINDOW_SIZE）;
std:
:
vectordescriptorsValues;
std:
:
vectorlocations;
clock_tbeginTime=clock（）;
#pragmaendregion
#pragmaregionHOGDescriptors
//ConvertingthepositveimagesandcalculatingtheHOG
std:
:
cout<<"CalculateallImages（"<<（clock（）-beginTime）/（float）CLOCKS_PER_SEC<<"）...";
for（std:
:
vector:
:
iteratorfileName=allFileNames.begin（）;fileName!
=allFileNames.end（）;++fileName）{
MatactualImage=imread（*fileName）;
//Testingifthefileisanimage
if（actualImage.empty（））{
printf（"Couldn'treadtheimage%s\n",*fileName）;
returnfalse;
}
cvtColor（actualImage,actualImage,CV_BGR2GRAY）;
resize（actualImage,actualImage,Size（WINDOW_SIZE,WINDOW_SIZE））;
//CalculatingtheHOG
hogD.compute（actualImage,descriptorsValues,Size（0,0）,Size（0,0）,locations）;
//Ineedtotransposetogeteverysampleinacolumnandnotinarow
MatdescriptorsVector=Mat_（descriptorsValues,true）;
transpose（descriptorsVector,descriptorsVector）;
descriptorsVector.row（0）.copyTo（testData.row（testCount））;
testCount++;
}
std:
:
cout<<"Finished（"<<（clock（）-beginTime）/（float）CLOCKS_PER_SEC<<"）"<:
endl;
std:
:
cout<:
endl<:
endl;
#pragmaendregion
#pragmaregionTestingtheData
Matresults;
svm->predict（testData,results）;
inttPos=0,tNeg=0;
//std:
:
cout<:
endl;
for（unsignedintc=0;cfloatresult=results.at（c,0）;
if（c=1）{
tPos++;
printf（"asmileface\n"）;
}
elseif（c>=positiveFileNames.size（）&&result==0）//!
=-1）{
printf（"notasmileface\n"）;
tNeg++;
}
}
returntrue;
}
使用svm进行训练
#include"svmTraining.h"
usingnamespacecv;
intmain（intargc,constchar**argv{
#pragmaregionArgumentparsing
CommandLineParserparser（argc,argv,keyMap）;
parser.about（"FaceDetection-HOG-SVM"）;
if（parser.has（"help"））{
parser.printMessage（）;
return0;
}
StringpositivePath=parser.get（"pos"）;
StringnegativePath=parser.get（"neg"）;
if（positivePath==""）{
printf（"ThereisnopositivePath\n"）;
return-1;
}
if（negativePath==""）{
printf（"ThereisnonegativePath\n"）;
return-1;
}
#pragmaendregion
booltrain=trainSVM（&positivePath,&negativePath）;
if（!
train）
return-1;
return0;
}
booltrainSVM（String*positiveTrainPath,String*negativeTrainPath{
#pragmaregionInitialization
printf（"Initialize\n"）;
//Findingallimagesinbothpathes
std:
:
vectorpositiveFileNames,negativeFileNames;
glob（*positiveTrainPath,positiveFileNames）;
glob（*negativeTrainPath,negativeFileNames）;
//Testingifthereareimagesinthepathes
if（positiveFileNames.size（）<=0）
{
printf（"Therearenoimagesin%s\n",*positiveTrainPath）;
returnfalse;
}
if（negativeFileNames.size（）<=0）{
printf（"Therearenoimagesin%s\n",*negativeTrainPath）;
returnfalse;
}
MattrainingLabel=Mat_（1,positiveFileNames.size（）+negativeFileNames.size（）*RANDOM_PATCH_COUNT）;
MattrainingData=Mat_（DESCRIPTOR_SIZE,positiveFileNames.size（）+negativeFileNames.size（）*RANDOM_PATCH_COUNT）;
inttrainingCount=0;
HOGDescriptorhogD;
hogD.winSize=Size（WINDOW_SIZE,WINDOW_SIZE）;
std:
:
vectordescriptorsValues;
std:
:
vectorlocations;
clock_tbeginTime=clock（）;
#pragmaendregion
#pragmaregionPositiveHOGDescriptors
//ConvertingthepositveimagesandcalculatingtheHOG
std:
:
cout<<"CalculatepositiveHOGDescriptors（"<<（clock（）-beginTime）/（float）CLOCKS_PER_SEC<<"）...";
for（std:
:
vector:
:
iteratorfileName=positiveFileNames.begin（）;fileName!
=positiveFileNames.end（）;++fileName）
{
MatactualImage=imread（*fileName）;
//Testingifthefileisanimage
if（actualImage.empty（））{
printf（"Couldn'treadtheimage%s\n",*fileName）;
returnfalse;
}
cvtColor（actualImage,actualImage,CV_BGR2GRAY）;
resize（actualImage,actualImage,Size（WINDOW_SIZE,WINDOW_SIZE））;
//CalculatingtheHOG
hogD.compute（actualImage,descriptorsValues,Size（0,0）,Size（0,0）,locations）;
MatdescriptorsVector=Mat_（descriptorsValues,true）;
descriptorsVector.col（0）.copyTo（trainingData.col（trainingCount））;
trainingLabel.at（0,trainingCount）=1;
trainingCount++;
}
std:
:
cout<<"Finished（"<<（clock（）-beginTime）/（float）CLOCKS_PER_SEC<<"）"<:
endl;
#pragmaendregion
#pragmaregionNegativeHOGDescriptors
//CalculatingtheHOGofthenegativimages
std:
:
cout<<"CalculatenegativeHOGDescriptors（"<<（clock（）-beginTime）/（float）CLOCKS_PER_SEC<<"）...";
for（std:
:
vector:
:
iteratorfileName=negativeFileNames.begin（）;fileName!
=negativeFileNames.end（）;++fileName）{
MatactualImage=imread（*fileName）;
//Testingifthefileisanimage
if（actualImage.empty（））{
printf（"Couldn'treadtheimage%s\n",*fileName）;
returnfalse;
}
cvtColor（actualImage,actualImage,CV_BGR2GRAY）;
resize（actualImage,actualImage,Size（WINDOW_SIZE,WINDOW_SIZE））
//CalculatingtheHOG
hogD.compute（actualImage,descriptorsValues,Size（0,0）,Size（0,0）,locations）;
MatdescriptorsVector=Mat_（descriptorsValues,true）;
descriptorsVector.col（0）.copyTo（trainingData.col（trainingCount））;
trainingLabel.at（0,trainingCount）=0;
trainingCount++;
}
std:
:
cout<<"Finished（"<<（clock（）-beginTime）/（float）CLOCKS_PER_SEC<<"）"<:
endl;
#pragmaendregion
#pragmaregionSVMTraining
//SetupSVM'sparameters
Ptr:
SVM>svm=ml:
:
SVM:
:
create（）;
svm->setType（ml:
:
SVM:
:
C_SVC）;
svm->setKernel（ml:
:
SVM:
:
LINEAR）;
svm->setTermCriteria（cvTermCriteria（CV_TERMCRIT_ITER,SVM_ITERATIONS,1e-6））;
//CreatetheTrainingdata
Ptr:
TrainData>tData=ml:
:
TrainData:
:
create（trainingData,ml:
:
SampleTypes:
:
COL_SAMPLE,trainingLabel）;
std:
:
cout<<"StartSVMtraining（"<<（clock（）-beginTime）/（float）CLOCKS_PER_SEC<<"）...";
svm->train（tData）;
std:
:
cout<<"Finished（"<<（clock（）-beginTime）/（float）CLOCKS_PER_SEC<<"）"<:
endl;
svm->save（SVM_OUTPUT_NAME）;
#pragmaendregion
returntrue;
}
将图片集分为训练集和测试集，之后分为笑脸集和非笑脸集：
将每个集合中图片先识别其中人脸：
之后进行梯度变换并使用SVM进行分类
实验体会
通过这次设计性综合性实验，通过利用基于OpenCV的HOG特征提取算法提取人脸特征，其中进行颜色空间归一化，并对图像进行灰度化，之后进行Gamma校正，经过校正后对垂直和水平方向进行梯度计算，并将图片划分成若干个单元形成梯度方向直方图，并使用SVM分类算法对图片进行笑脸非笑脸进行分类，先使用SVM算法得到超平面，求出差值进行对比。
此SVM方法和之前机器学习课程中学到的分类算法类似，通过本次实验，学习到了基于OpenCV的HOG特征提取方法和基本步骤，掌握了SVM分类方法中线性和非线性分类之间的处理，此次实验不但将多媒体技术这门课程中所学的基于OpenCV的HOG特征提取算法相结合，并且和机器学习之中的SVM分类算法相结合，融会贯通，相辅相成，通过这次的实验，触类旁通，可以将此算法应用到多个应用场景当中，本次实验对今后的学习和工作都有很大帮助。
升级会员 