Detección de Objetos mediante HaarFeatures basados en clasificadores en cascada

7/16/2019 Deteccin de Objetos mediante HaarFeatures basados en clasificadores en cascada

1/30

Deteccin deCaras.

Caractersticas Haar basadas en unacascada de clasificadores.

Miguel Crdova Ak.25/10/2011


2/30

20

Tabla de contenido

Tabla de contenido..............................................................................................2

Introduccin........................................................................................................3

Instalar OpenCV-2.3.1 en un ambiente Windows (Windows 7)............................5

Realizar pruebas con clasificadores Haar............................................................8

Entrenar y usar clasificadores Haar..................................................................10

Experimentos de Detecciones...........................................................................15

Falsos positivos (No caras clasificadas como caras.- 42.10 %).........................17

Falsos negativos (Caras clasificadas como no caras.- 2.63 %).........................18

Conclusiones..................................................................................................... 19

Referencias ...................................................................................................... 20

Anexo A ............................................................................................................ 21

Anexo B............................................................................................................. 26


3/30

20

Introduccin

Caractersticas Haar basadas en una cascada de clasificadores.

Este mtodo para la deteccin de objetos fue propuesto por Paul Viola y

mejorado por Rainer Lienhart.

Un clasificador (es decir, una cascada de clasificadores es impulsado a trabajar

con caractersticas haar-like) se entrena con cientos de imgenes que

contienen el determinado objeto (por ejemplo, una cara o un coche), llamados

ejemplos positivos, que se adaptan al mismo tamao (por ejemplo 20 x 20

pixeles), y ejemplos negativos, imgenes arbitrarias del mismo tamao.

Despus de que un clasificador se entrena, se puede aplicar a una determinada

regin de inters (del mismo tamao que se ha utilizado durante elentrenamiento) en una imagen de entrada.

El clasificador genera un 1 si la regin es probable que contenga muestre

el objeto (es decir la cara el coche), y 0 en caso contrario. Para buscar el

objeto en toda la imagen se puede mover la ventana de bsqueda a travs de

la imagen y comprobar todas la localidades con el clasificador. El clasificador

est diseado para que pueda ser modificado de tamao fcilmente con el fin

de ser capaz de encontrar el objeto de inters en diferentes tamaos, que es

ms eficiente que cambiar el tamao de la imagen en s. Por lo tanto para

encontrar un objeto de un tamao desconocido en la imagen el procedimiento

de barrido debe hacerse varias veces a diferentes escalas.

La palabra cascada en el nombre del clasificador significa que el clasificador

resultante se compone de varios clasificadores simples (etapas) que se aplican

posteriormente a una regin de inters hasta que en algn momento el

candidato es rechazado o ha aprobado todas las todas las etapas. La palabra

impulso significa que los clasificadores en cada etapa de la cascada son

complejos ellos mismo y se construyen a partir de los clasificadores bsicos

utilizando una de las cuatro tcnicas diferentes de boost. Actualmente

AdaBoost Discreto, AdaBoost Real, AdaBoost Suave, AdaBoost Logico son los

soportados. Los clasificadores bsicos son rboles de decisin, clasificadores

con 2 hojas. Las caractersticas Haar-Like son las entradas de los clasificadoresbsicos, y se calculan como se describe a continuacin. El algoritmo actual

utiliza los siguientes caractersticas Haar-Like:
http://research.microsoft.com/en-us/um/people/viola/Pubs/Detect/violaJones_CVPR2001.pdfhttp://citeseer.ist.psu.edu/viewdoc/download;jsessionid=BB01B35A9C6C3798A65B65B471427F32?doi=10.1.1.86.9433&rep=rep1&type=pdfhttp://research.microsoft.com/en-us/um/people/viola/Pubs/Detect/violaJones_CVPR2001.pdfhttp://citeseer.ist.psu.edu/viewdoc/download;jsessionid=BB01B35A9C6C3798A65B65B471427F32?doi=10.1.1.86.9433&rep=rep1&type=pdf


4/30

20

Las caractersticas a utilizar en un clasificador se especifican por su forma (1a,

2a, etc.), la posicin dentro de la regin de inters y de la escala (esta escala

no es la misma que la escala utilizada en la etapa de deteccin, aunque estas

dos escalas son multiplicado). Por ejemplo, en el caso de la caracterstica lineal

(2c) la respuesta se calcula como la diferencia entre la suma de los pixeles de

la imagen en rectngulo que abarcan la funcin de conjunto (las dos franjas

blancas y la franja de negro del centro) y la suma de los pixeles de la imagen

en la franja de negro, multiplicado por 3 en el fin de compensar las diferencias

en el tamao de la reas. La suma de los valores de los pixeles en una regin

rectangular se calcula rpidamente usando las imgenes integrales.


5/30

20

Instalar OpenCV-2.3.1 en un ambiente Windows(Windows 7)

1.- Descargar el archivo OpenCV-2.3.1-win-superpackde la siguiente

direccin: http://sourceforge.net/projects/opencvlibrary/files/opencv-win/2.3.1/

2. Despus de haber descargado el archivo OpenCV-2.3.1-win-superpacklo

ejecutamos, seleccionamos la unidad C y presionamos el botn Extract como

se muestra en la siguiente imagen.

3.- Ahora descargamos la librera extra tbb30_20110427oss de la siguiente

direccin:

http://threadingbuildingblocks.org/ver.php?fid=171

Seleccionamos la librera correspondiente a Windows;

tbb30_20110427oss_win.zip

Despus de haber descargado la librera, la descomprimimos en la siguiente

ruta:C:\opencv\build\common

3.- Ahora vamos a las propiedades del equipo - configuracin avanzada delsistema, debe poder visualizar una pantalla similar a la siguiente imagen.
http://sourceforge.net/projects/opencvlibrary/files/opencv-win/2.3.1/http://threadingbuildingblocks.org/ver.php?fid=171http://sourceforge.net/projects/opencvlibrary/files/opencv-win/2.3.1/http://threadingbuildingblocks.org/ver.php?fid=171


6/30

20

4.- Presionamos el botn Variables de entorno y editamos la variable del

sistema PATH a la cual le aadimos las siguientes rutas:C:\opencv\build\x86\vc10\bin;C:\opencv\build\common\tbb30_20110427oss\bin\ia32\vc10


7/30

20


8/30

20

Realizar pruebas con clasificadores Haar

Para realizar las pruebas debemos implementar una clase en la cual se haga uso de la funcincvHaarDetectObjects (Ver Anexo A).

O si prefiere puede descargar una Kit con estas clases con la librera necesarias para empezar a

trabajar de la siguiente direccin:http://www.iem.pw.edu.pl/~domanskj/haarkit.rar, para este

proyecto descargamos el kit, posteriormente lo descomprimimos en la carpeta haar en el disco C.

1. Al descomprimirlo obtenemos dos nuevos archivos:

READ_THIS_FIRST.txt

tools.rar

2.- Descomprimimos el archivo tools.rar, hasta ahora debemos tener los

siguientes archivos:

Cascade2xml

Temp

Test_recognition

Haarkit.rar

HaarTraining.bat

READ_THIS_FIRST.txt

Samples_creation.bat

Tools.rar

3.- Por ahora solo nos interesa la carpeta Test_recognition, navegamos dentro de ella ydebemos visualizar los siguientes archivos:

cv097.dll

cxcore097.dll

dane.xml

facedetect.exe

highgui097.dll

start.bat

Para realizar las pruebas haremos uso del comando facedetect.exe, para

ms detalle de este comando podemos editar el archivo start.bat.

4.- Seleccionamos imgenes que contengan rostros, ahora copiamos dichasimgenes en la carpeta Test_recognition.

5. Entramos a la lnea de comandos (ms-dos), y navegamos hasta la direccinde la carpeta Test_recognition, tecleamos lo siguiente:
http://www.iem.pw.edu.pl/~domanskj/haarkit.rarhttp://www.iem.pw.edu.pl/~domanskj/haarkit.rarhttp://www.iem.pw.edu.pl/~domanskj/haarkit.rarhttp://www.iem.pw.edu.pl/~domanskj/haarkit.rar


9/30

20

facedetect.exe cascade=dane.xml nombre_imagen.extensin(jpg,bmp,pgm,etc)

Ejemplo del comando:

Ejemplo de deteccin:

5.- Si queremos realizar otras pruebas, por ejemplo deteccin de ojos podemos hacer uso de

clasificadores proporcionados por la librera OpenCV-2.3.1; para ello nos dirigimos a la siguiente

direccin C:\opencv\data\haarcascades si usted descomprimi OpenCV-2.3.1 en la unidad C.

En dicha direccin podemos encontrar diversos clasificadores.


10/30

20

Entrenar y usar clasificadores HaarLos pasos para entrenar y usar clasificadores Haar son:

1. Colecciones de imgenes positivas y negativas para el entrenamiento.2. Marcar las imgenes positivas usando objectmarker.cpp3. Crear el archivo vector.vec usando createsamples.cpp4. Entrenar el clasificador usando haartraining.cpp5. Correr el clasificador usando la funcin cvHaarDetectObjects().

Todas estas clases se encuentran en la siguiente ruta: C:\opencv\modules\haartraining si usted

descomprimi la librera en la unidad C con excepcin de la clase objectmarker.cpp (Ver Anexo

B).

O si prefiere puede descargar una Kit con todas estas clases ya preparadas para empezar a

trabajar de la siguiente direccin:http://www.iem.pw.edu.pl/~domanskj/haarkit.rar, para este

proyecto descargamos el kit, posteriormente lo descomprimimos en la carpeta haar el disco C.

1. Al descomprimirlo obtenemos dos archivos nuevos:

READ_THIS_FIRST.txt

tools.rar

2.- Descomprimimos el archivo tools.rar, hasta ahora debemos tener lossiguientes archivos:

Cascade2xml

Temp

Test_recognition

Haarkit.rar

HaarTraining.bat

READ_THIS_FIRST.txt

Samples_creation.bat

Tools.rar

3.- En la carpeta ..\temp\negative guardamos las imgenes que nocontengan el objeto que deseamos sea reconocido.

Creamos la lista de imgenes para posteriormente guardarlo en el

archivo infofile.txt El archivo infofile.txt debe contener lneas como:

o image2619.BMPo image2620.BMP

Podemos usar el archivo create_list.bat para crear la lista deimgenes.

4.- En la carpeta ..\temp\positives\rawdata guardamos las imgenes quecontienen el objeto deseado.
http://www.iem.pw.edu.pl/~domanskj/haarkit.rarhttp://www.iem.pw.edu.pl/~domanskj/haarkit.rarhttp://www.iem.pw.edu.pl/~domanskj/haarkit.rarhttp://www.iem.pw.edu.pl/~domanskj/haarkit.rar


11/30

20

Usamos la herramienta ..\temp\positive\objectmarker.exe, esta herramientanos permite especificar las coordenadas x, y, el ancho y alto del objetodeterminado dentro de la imagen; a su vez crea un archivo info.txt el cualespecifica la informacin antes mencionada de la imagen.

Nota: La herramienta objectmarker.exe solo trabaja con imgenes bmp.

5.- Para el entrenamiento usaremos la herramienta createsamples.exe

Utilizamos el siguiente comando:

createsamples.exe -info positive/info.txt -vec data/vector.vec -num 103 -w24 -h 24

El cual creara un archivo vector.vec en la carpeta \temp\data.

Los parmetros son:

num 1800 nmero de imgenes positivas.

w 24 h 24 Ejemplo de tamao.

6.- Despus de crear el archivo vector.vec podemos iniciar con elentrenamiento, ejecutamos el siguiente comando:

haartraining.exe -data data/cascade -vec data/vector.vec -bgnegative/infofile.txt -npos 103 -nneg 35 -nstages 20 -mem 1000 -mode ALL -w24 -h 24 nonsym

Los parmetros son:

data data/cascade Ruta de los archivos de cascada. Cada etapacompletada creara un archivo en\temp\data\cascade\0..N\AdaBoostCARTHaarClassifier.txt

vec data/vector.vec Archivo que se creo concreatesamples.exe

bg negative/infofile.txt Lista de las imgenes negativas\temp\negative\

npos 103 Nmero de imgenes positivas

nneg 35 Nmero de imgenes negativas

nstages 20 Nmero de etapas para completar

mem 1000 Cantidad de memoria disponible asignada alprograma


12/30

20

mode ALL Vea la literatura para ms detalles de esteparmetro

w 24 -h 24 Ejemplo de tamao

nonsym Este parmetro no es necesario si el objeto essimtrico horizontal

Podemos usar el archivo haarTraining.bat.

Al correr el comando haartraining.exe obtenemos una salida similar a lasiguiente:

________________________________________________________________________________Parent node: 17

*** 1 cluster ***POS: 1656 1799 0.920511NEG: 2410 1.97289e-005BACKGROUND PROCESSING TIME: 1279.69Precalculation time: 63.20+----+----+-+---------+---------+---------+---------+| N |%SMP|F| ST.THR | HR | FA | EXP. ERR|+----+----+-+---------+---------+---------+---------+| 1|100%|-|-0.312590| 1.000000| 1.000000| 0.256272|+----+----+-+---------+---------+---------+---------+| 2|100%|-|-0.537043| 1.000000| 1.000000| 0.294638|+----+----+-+---------+---------+---------+---------+

| 3|100%|-|-0.776489| 1.000000| 1.000000| 0.238072|+----+----+-+---------+---------+---------+---------+| 4|100%|-|-1.415237| 1.000000| 1.000000| 0.264879|+----+----+-+---------+---------+---------+---------+| 5| 96%|-|-1.120346| 0.996981| 0.969710| 0.242253|+----+----+-+---------+---------+---------+---------+| 6| 84%|-|-1.471691| 0.996981| 0.956432| 0.218888|+----+----+-+---------+---------+---------+---------+| 7| 82%|-|-1.187260| 0.996981| 0.909959| 0.230939|+----+----+-+---------+---------+---------+---------+| 8| 83%|-|-1.209699| 0.995773| 0.897510| 0.216675|+----+----+-+---------+---------+---------+---------+

| 9| 83%|-|-1.187195| 0.995169| 0.848548| 0.196754|+----+----+-+---------+---------+---------+---------+| 10| 81%|-|-1.332160| 0.995169| 0.880498| 0.178062|+----+----+-+---------+---------+---------+---------+| 11| 83%|-|-1.529588| 0.995773| 0.881328| 0.190113|+----+----+-+---------+---------+---------+---------+| 12| 81%|-|-1.529296| 0.995169| 0.859751| 0.178554|+----+----+-+---------+---------+---------+---------+| 13| 80%|-|-1.471163| 0.995169| 0.820332| 0.165765|


13/30

20

+----+----+-+---------+---------+---------+---------+| 14| 80%|-|-1.439857| 0.995169| 0.797095| 0.157895|+----+----+-+---------+---------+---------+---------+| 15| 79%|-|-1.366838| 0.995169| 0.755602| 0.149287|+----+----+-+---------+---------+---------+---------+| 16| 77%|-|-1.357297| 0.995169| 0.729046| 0.148303|

+----+----+-+---------+---------+---------+---------+| 17| 77%|-|-1.350920| 0.995169| 0.698755| 0.142892|+----+----+-+---------+---------+---------+---------+| 18| 77%|-|-1.286876| 0.995169| 0.657261| 0.140187|+----+----+-+---------+---------+---------+---------+| 19| 76%|-|-1.340796| 0.995169| 0.643983| 0.137236|+----+----+-+---------+---------+---------+---------+| 20| 75%|-|-1.258729| 0.995169| 0.607054| 0.135022|+----+----+-+---------+---------+---------+---------+| 21| 75%|-|-1.259443| 0.995169| 0.594606| 0.124447|+----+----+-+---------+---------+---------+---------+| 22| 75%|-|-1.247393| 0.995169| 0.578008| 0.121249|

+----+----+-+---------+---------+---------+---------+| 23| 74%|-|-1.189301| 0.995169| 0.539419| 0.118790|+----+----+-+---------+---------+---------+---------+| 24| 74%|-|-1.278121| 0.995169| 0.547303| 0.116822|+----+----+-+---------+---------+---------+---------+| 25| 73%|-|-1.194187| 0.995169| 0.503734| 0.115347|+----+----+-+---------+---------+---------+---------+| 26| 73%|-|-1.216452| 0.995169| 0.484232| 0.110182|+----+----+-+---------+---------+---------+---------+Stage training time: 7788.05"Number of used features: 26

Parent node: 17Chosen number of splits: 0

Total number of splits: 0

Tree ClassifierStage+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+| 0| 1| 2| 3| 4| 5| 6| 7| 8| 9| 10| 11| 12| 13| 14| 15| 16| 17| 18|+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+

0---1---2---3---4---5---6---7---8---9--10--11--12--13--14--15--16--17--18________________________________________________________________________________

Podemos seguir despus de la finalizacin de las todas la etapas o parardespus del valor de la falsa alarma que es >=1*10e-5.

Por ejemplo:

Parent node: 17


14/30

20

*** 1 cluster ***POS: 1656 1799 0.920511NEG: 2410 1.97289e-005 esto es una falsa alarma.

7.- Ahora copiamos todas los carpetas que se encuentran \temp\data\cascadeestas carpetas estn nombradas de 0 a N (N es el nmero de etapascompletadas).

En cada una de estas carpetas debe de haber un archivoAdaBoostCARTHaarClassifier.txt.

Copiamos todas estas de 0 a N carpetas a ..\cascade2xml\data catalogue.

8.- Ahora convertiremos los archivos de cascada a un archivo xml, para esousaremos la herramienta \cascade2xml\haarconv.exe

El comando a ejecutar es el siguiente:

haarconv.exe data output.xml 24 24

Los parmetros son:

data output.xml Nombre del archivo xml que se generara.

24 24 Ejemplo de tamao.

9.- Realizar la prueba de reconocimiento, copiamos el archivo output.xml a lacarpeta \test_recognition

Usaremos el siguiente comando:

facedetect.exe --cascade="output.xml" imagen.jpg

10.- La base de datos de imgenes utilizada cuenta con 143 imgenes, 108positivas y 35 negativas; las imgenes fueron tomadas de 19 mujeres y 1hombre del Instituto de Educacin Comercial Bancario.

A continuacin ejemplos de imgenes positivas:


15/30

20

A continuacin ejemplos de imgenes negativas:

Experimentos de Detecciones

Para la experimentacin se utilizaron 38 imgenes de 5 mujeres y 3 hombresde los cuales se tomaron entre 5 y 4 fotos por persona.

Verdaderos positivos (Caras clasificadas como caras.- 55.26 %)


16/30

20


17/30

20

Falsos positivos (No caras clasificadas como caras.- 42.10 %).


18/30

20

Falsos negativos (Caras clasificadas como no caras.- 2.63 %).


19/30

20

Conclusiones

Las caractersticas Haar proveen una representacin simple y eficiente de laimagen para realizar deteccin, reconocimiento, clasificacin, etc. De igual

manera requieren normalizacin para ser robustas.

La imagen integral es til para calcular rpidamente las sumas de las regionesutilizadas en las caractersticas Haar.

Los altos porcentajes de deteccin y bajos tiempos de procesamientodemuestran la efectividad de la combinacin de tcnicas de boosting con filtrosde base Haar, para la deteccin de los ojos y caractersticas faciales y dan laposibilidad de llevar el sistema a una aplicacin en tiempo real.

Para obtener un mejor desempeo de deteccin se recomienda una base dedatos con miles imgenes positivas y negativas.


20/30

20

Referencias

Web

http://opencv.itseez.com/modules/objdetect/doc/cascade_classification.html#id

2

http://cgi.cse.unsw.edu.au/~cs4411/wiki/index.php?title=OpenCV_Guide#Haar_Classifier

http://note.sonots.com/SciSoftware/haartraining.html#v6f077ba

http://code.google.com/p/imageclipper/

http://www.cvpapers.com/datasets.html

Bibliogrficas

Ttulo: Learning OpenCV computer vision with the OpenCV library.Editorial: OREILLY.Autores: Gary Bradski y Adrian Kaehler.Pginas: 506- 515.
http://opencv.itseez.com/modules/objdetect/doc/cascade_classification.html#id2http://opencv.itseez.com/modules/objdetect/doc/cascade_classification.html#id2http://cgi.cse.unsw.edu.au/~cs4411/wiki/index.php?title=OpenCV_Guide#Haar_Classifierhttp://cgi.cse.unsw.edu.au/~cs4411/wiki/index.php?title=OpenCV_Guide#Haar_Classifierhttp://note.sonots.com/SciSoftware/haartraining.html#v6f077bahttp://code.google.com/p/imageclipper/http://www.cvpapers.com/datasets.htmlhttp://opencv.itseez.com/modules/objdetect/doc/cascade_classification.html#id2http://opencv.itseez.com/modules/objdetect/doc/cascade_classification.html#id2http://cgi.cse.unsw.edu.au/~cs4411/wiki/index.php?title=OpenCV_Guide#Haar_Classifierhttp://cgi.cse.unsw.edu.au/~cs4411/wiki/index.php?title=OpenCV_Guide#Haar_Classifierhttp://note.sonots.com/SciSoftware/haartraining.html#v6f077bahttp://code.google.com/p/imageclipper/http://www.cvpapers.com/datasets.html


21/30

20

Anexo A

#include "cv.h"#include "highgui.h"

#include #include #include #include #include #include #include #include #include

#ifdef _EiC#define WIN32

#endif

static CvMemStorage* storage = 0;static CvHaarClassifierCascade* cascade = 0;

void detect_and_draw( IplImage* img, double scale_factor, int min_neighbors,int flags, CvSize min_size );

const char* cascade_name ="haarcascade_frontalface_alt.xml";

/* "haarcascade_profileface.xml";*/

int main( int argc, char** argv ){

CvCapture* capture = 0;IplImage *frame, *frame_copy = 0;int optlen = strlen("--cascade=");const char* input_name = "0";int i;double scale_factor = 1.1;int min_neighbors = 1;int flags = 0;/*CV_HAAR_DO_CANNY_PRUNING*/CvSize min_size = cvSize(0,0);

if( argc == 1 ){

fprintf( stderr, "ERROR: Could not load classifier cascade\n" );fprintf( stderr,

"Usage: facedetect ""--cascade=\"\" or -c \n"" [ -sf < scale_factor = %f > ]\n"" [ -mn < min_neighbors = %d > ]\n"


22/30

20

" [ -fl < flags = %d > ]\n"" [ -ms < min_size = %d %d > ]\n"" [ filename | camera_index = %s ]\n",scale_factor, min_neighbors, flags, min_size.width, min_size.height,

input_name );fprintf( stderr, "See also: cvHaarDetectObjects() about option

parameters.\n" );return -1;

}

for( i = 1; i < argc; i++ ){

if( !strncmp( argv[i], "--cascade=", optlen ) ){

cascade_name = argv[++i] + optlen;}else if( !strcmp( argv[i], "-c" ) ){

cascade_name = argv[++i];}else if( !strcmp( argv[i], "-sf" ) ){

scale_factor = (float) atof( argv[++i] );}else if( !strcmp( argv[i], "-mn" ) ){

min_neighbors = atoi( argv[++i] );}else if( !strcmp( argv[i], "-fl" ) ){

flags = CV_HAAR_DO_CANNY_PRUNING;}else if( !strcmp( argv[i], "-ms" ) ){

min_size = cvSize( atoi( argv[++i] ), atoi( argv[++i] ) );}else{

input_name = argv[i];}

}

cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name, 0, 0, 0 );storage = cvCreateMemStorage(0);

if( !input_name || (isdigit(input_name[0]) && input_name[1] == '\0') )

capture = cvCaptureFromCAM( !input_name ? 0 : input_name[0] - '0' );else

capture = cvCaptureFromAVI( input_name );


23/30

20

cvNamedWindow( "result", 1 );

if( capture ){

for(;;){

if( !cvGrabFrame( capture ))break;

frame = cvRetrieveFrame( capture );if( !frame )

break;if( !frame_copy )

frame_copy = cvCreateImage( cvSize(frame->width,frame->height),IPL_DEPTH_8U, frame->nChannels );

if( frame->origin == IPL_ORIGIN_TL )cvCopy( frame, frame_copy, 0 );

elsecvFlip( frame, frame_copy, 0 );

detect_and_draw( frame_copy, scale_factor, min_neighbors, flags,

min_size );

if( cvWaitKey( 10 ) >= 0 )break;

}

cvReleaseImage( &frame_copy );cvReleaseCapture( &capture );

}else

{const char* filename = input_name ? input_name : (char*)"lena.jpg";IplImage* image = cvLoadImage( filename, 1 );

if( image ){

detect_and_draw( image, scale_factor, min_neighbors, flags, min_size );cvWaitKey(0);cvReleaseImage( &image );

}else{

/* assume it is a text file containing thelist of the image filenames to be processed - one per line */

FILE* f = fopen( filename, "rt" );if( f ){

char buf[1000+1];while( fgets( buf, 1000, f ) ){


24/30

20

int len = (int)strlen(buf);while( len > 0 && isspace(buf[len-1]) )

len--;buf[len] = '\0';image = cvLoadImage( buf, 1 );if( image )

{detect_and_draw( image, scale_factor, min_neighbors, flags,

min_size );cvWaitKey(0);cvReleaseImage( &image );

}}fclose(f);

}}

}

cvDestroyWindow("result");

return 0;}

void detect_and_draw( IplImage* img, double scale_factor, int min_neighbors,int flags, CvSize min_size ){

static CvScalar colors[] ={

{{0,0,255}},

{{0,128,255}},{{0,255,255}},{{0,255,0}},{{255,128,0}},{{255,255,0}},{{255,0,0}},{{255,0,255}}

};

double scale = 1.3;IplImage* gray = cvCreateImage( cvSize(img->width,img->height), 8, 1 );IplImage* small_img = cvCreateImage( cvSize( cvRound (img->width/scale),

cvRound (img->height/scale)), 8, 1 );int i;

cvCvtColor( img, gray, CV_BGR2GRAY );cvResize( gray, small_img, CV_INTER_LINEAR );cvEqualizeHist( small_img, small_img );cvClearMemStorage( storage );


25/30

20

if( cascade ){

double t = (double)cvGetTickCount();CvSeq* faces = cvHaarDetectObjects( small_img, cascade, storage,

scale_factor, min_neighbors, flags, min_size );//1.1, 2, 0/*CV_HAAR_DO_CANNY_PRUNING*/,

cvSize(30, 30) );t = (double)cvGetTickCount() - t;printf( "detection time = %gms\n", t/

((double)cvGetTickFrequency()*1000.) );for( i = 0; i < (faces ? faces->total : 0); i++ ){

CvRect* r = (CvRect*)cvGetSeqElem( faces, i );CvPoint center;int radius;center.x = cvRound((r->x + r->width*0.5)*scale);center.y = cvRound((r->y + r->height*0.5)*scale);radius = cvRound((r->width + r->height)*0.25*scale);

cvCircle( img, center, radius, colors[i%8], 3, 8, 0 );}

}

cvShowImage( "result", img );cvReleaseImage( &gray );cvReleaseImage( &small_img );

}


26/30

20

Anexo B

#include #include

#include

// for filelisting#include #include // for fileoutput#include #include #include #include #include

using namespace std;

IplImage* image=0;IplImage* image2=0;//int start_roi=0;int roi_x0=0;int roi_y0=0;int roi_x1=0;int roi_y1=0;int numOfRec=0;int startDraw = 0;char* window_name="add save and load next exit";

string IntToString(int num){

ostringstream myStream; //creates an ostringstream objectmyStream


27/30

20

roi_y0=y;startDraw = 1;

} else {roi_x1=x;roi_y1=y;startDraw = 0;

}}if(event==CV_EVENT_MOUSEMOVE && startDraw)

{

//redraw ROI selectionimage2=cvCloneImage(image);

cvRectangle(image2,cvPoint(roi_x0,roi_y0),cvPoint(x,y),CV_RGB(255,0,255),1);cvShowImage(window_name,image2);cvReleaseImage(&image2);

}

}

int main(int argc, char** argv){

int iKey=0;string strPrefix;string strPostfix;string input_directory;string output_file;

if(argc != 3) {fprintf(stderr, "%s output_info.txt raw/data/directory/\n", argv[0]);return -1;

}

input_directory = argv[2];output_file = argv[1];

/* Get a file listing of all files with in the input directory */DIR *dir_p = opendir (input_directory.c_str());struct dirent *dir_entry_p;

if(dir_p == NULL) {fprintf(stderr, "Failed to open directory %s\n",

input_directory.c_str());return -1;

}

fprintf(stderr, "Object Marker: Input Directory: %s Output File: %s\n",input_directory.c_str(), output_file.c_str());


28/30

20

// init highguicvAddSearchPath(input_directory);cvNamedWindow(window_name,1);cvSetMouseCallback(window_name,on_mouse, NULL);

fprintf(stderr, "Opening directory...");// init output of rectangles to the info fileofstream output(output_file.c_str());fprintf(stderr, "done.\n");

while((dir_entry_p = readdir(dir_p)) != NULL){

numOfRec=0;

if(strcmp(dir_entry_p->d_name, ""))fprintf(stderr, "Examining file %s\n", dir_entry_p->d_name);

/* TODO: Assign postfix/prefix info */strPostfix="";strPrefix=input_directory;strPrefix+=dir_entry_p->d_name;//strPrefix+=bmp_file.name;fprintf(stderr, "Loading image %s\n", strPrefix.c_str());

if((image=cvLoadImage(strPrefix.c_str(),1)) != 0){

// work on current imagedo

{cvShowImage(window_name,image);

// used cvWaitKey returns:// =13 save added

rectangles and show next image// =27 exit program// =32 add rectangle to

current image// any other key clears rectangle drawing onlyiKey=cvWaitKey(0);switch(iKey){case 27:

cvReleaseImage(&image);cvDestroyWindow(window_name);return 0;

case 32:numOfRec++;


29/30

20

printf(" %d. rect x=%d\ty=%d\tx2h=%d\ty2=%d\n",numOfRec,roi_x0,roi_y0,roi_x1,roi_y1);

//printf(" %d. rect x=%d\ty=%d\twidth=%d\theight=%d\n",numOfRec,roi_x1,roi_y1,roi_x0-roi_x1,roi_y0-roi_y1);

// currently two draw directions possible:// from top left to bottom right

or vice versaif(roi_x0roi_y1){

printf(" %d. rect x=%d\ty=%d\twidth=%d\theight=%d\n",numOfRec,roi_x1,roi_y1,roi_x0-roi_x1,roi_y0-roi_y1);

// append rectangle coord toprevious line content

strPostfix+=""+IntToString(roi_x1)+" "+IntToString(roi_y1)+" "+IntToString(roi_x0-roi_x1)+""+IntToString(roi_y0-roi_y1);

}break;

}}while(iKey!=13);

// save to info file as later used for HaarTraining:// \bmp_file.name numOfRec x0 y0 width0

height0 x1 y1 width1 height1...if(numOfRec>0 && iKey==13){

//append line/* TODO: Store output information. */output


30/30

}

output.close();cvDestroyWindow(window_name);closedir(dir_p);

return 0;}

Detección de Objetos mediante HaarFeatures basados en clasificadores en cascada

Documents

Transcript of Detección de Objetos mediante HaarFeatures basados en clasificadores en cascada