图像处理项目——人脸检测—训练

训练模型

*开发环境为visual studio2010
*使用的数据集是face.txt
*用到Facerecognizer类。opencv中所有的人脸识别模型都是来源于这个类。

一：主要步骤

1.创建了一个特征脸模型用于人脸识别
2.通过CSV文件face.txt读取的图像和标签训练它 
3.创建一个PCA人脸分类器，T这里是一个完整的PCA变换
4.调用其中的成员函数train()来完成分类器的训练

二：代码

#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include "opencv2/face/facerec.hpp"
#include "opencv2/face.hpp"
#include "opencv2/core.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
#include <fstream>                    
#include <sstream>                    
#include <math.h>                     
using namespace cv;
using namespace cv::face;
using namespace std;

static Mat norm_0_255(InputArray _src)
{
   Mat src = _src.getMat();                
   // 创建和返回一个归一化后的图像矩阵: 
   Mat dst;
   switch (src.channels())
   {
     case 1:
       cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1);
       break;
     case 3:
       cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC3);
       break;
     default:
       src.copyTo(dst);
       break;
   }
   return dst;
}

//使用CSV文件去读图像和标签，主要使用stringstream和getline方法  
static void read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator = ';')
{
    std::ifstream file(filename.c_str(), ifstream::in);//c_str()函数可用可不用，无需返回一个标准C类型的字符串
    if(!file)
    {
      string error_message = "No valid input file was given, please check the given filename.";
      CV_Error(CV_StsBadArg, error_message);
    }
    string line, path, classlabel;
    while(getline(file,line))                   //从文本文件中读取一行字符，未指定限定符默认限定符为“/n”�
    {
       stringstream liness(line);
       getline(liness, path, separator);      //这里采用stringstream主要作用是做字符串的分割
       getline(liness,classlabel);             //读入图片文件路径以分好作为限定符
       if (!path.empty() && !classlabel.empty())
       {
          images.push_back(imread(path,0));
          labels.push_back(atoi(classlabel.c_str()));///如果读取成功，则将图片和对应标签压入对应容器中

       }

    }
}

int main()
{
 //读取你的CSV文件路径. 
  string fn_csv = "face.txt";
  
  // 2个容器来存放图像数据和对应的标签
  vector<Mat> images;
  vector<int> labels;

  // 读取数据. 如果文件不合法就会出错  

  try 
  {
    read_csv(fn_csv, images, labels);
  }
  catch (cv::Exception& e)
  {
    cerr << "Error opening file "" << fn_csv << "".Reason: " << e.msg << endl;
    exit(1);
  }
  // 如果没有读取到足够图片，也退出.  
  if(images.size() <= 1)
  {
    string error_message = " Please add more images to your data set!";
    CV_Error(CV_StsError, error_message);
  }
  
  for (int i = 0; i < images.size(); i++)
  {
       if(images[i].size() != Size(92, 112))
       {
           cout << i << endl;
           cout << images[i].size() << endl;
       }
  }
  // 下面的几行代码仅仅是从你的数据集中移除最后一张图片，作为测试图片  
  //[gm:自然这里需要根据自己的需要修改，他这里简化了很多问题]  
  Mat testSample = images[images.size() - 1];
  int testLabel = labels[labels.size() - 1];
  images.pop_back();    //删除最后一张照片，此照片作为测试图片
  labels.pop_back();    //删除最有一张照片的labels

    // 创建了一个特征脸模型用于人脸识别，  
    // 通过CSV文件读取的图像和标签训练它。  
    // T这里是一个完整的PCA变换  
    //创建一个PCA人脸分类器，
    //调用其中的成员函数train()来完成分类器的训练
  Ptr<BasicFaceRecognizer> model0 = createEigenFaceRecognizer();
  model0->train(images,labels);

  //save the model to .xml
  model0->save("MyEigenFaces.xml");

  Ptr<BasicFaceRecognizer> model1 = createFisherFaceRecognizer();
  model1->train(images,labels);
  model1->save("MyFaceModel.xml");

    // 还有一种调用方式，可以获取结果同时得到阈值:  
    // int predictedLabel = -1;  
    // double confidence = 0.0;  
    //  model->predict(testSample, predictedLabel, confidence); 
    
  int predictedLabel0 = model0->predict(testSample);
  int predictedLabel1 = model1->predict(testSample);
  int predictedLabel2 = model2->predict(testSample);
 
  string result_message0 = format("Predicted class = %d / Actual class = %d.",predictedLabel0, testLabel);
  string result_message1 = format("Predicted class = %d / Actual class = %d.",predictedLabel1, testLabel);
  string result_message2 = format("Predicted class = %d / Actual class = %d.",predictedLabel2, testLabel);

  cout << result_message0 << endl;
  cout << result_message1 << endl;
  cout << result_message2 << endl;

  waitKey(0);
  return 0;
}

三：训练结果

生成了MyFaceModel.xml文件，可以直接使用进行人脸识别