wordpress站内信群发,网络seo排名,南宁网站建设接单,大连seo排名外包机器学习是什么? 机器学习训练样本特征分类器#xff0c;通过让机器学习的方式#xff0c;来达到某种功能的过程 深度学习是什么#xff1f; 深度学习海量的学习样本人工神经网络
机器学习需要#xff1a;样本、特征、分类器、对训练后的数据进行预测或检验 人脸样本haar…机器学习是什么? 机器学习训练样本特征分类器通过让机器学习的方式来达到某种功能的过程 深度学习是什么 深度学习海量的学习样本人工神经网络
机器学习需要样本、特征、分类器、对训练后的数据进行预测或检验 人脸样本haar特征adaboost分类器就可以实现人脸识别 haar是由一系列模板组成 adaboost分类器是由三级极点组成强分类器、弱分类器、node结点)组成
hog特征svm支持向量机实现小狮子的识别
一、视频分解图片
实现步骤 1将视频加载进去load 2读取视频的info信息 3对视频信息进行解码parse拿到单帧视频 4可以通过imshow进行展示也可以通过imwrite进行保存
(flag,frame) cap.read() 读取每一帧人眼可分辨每秒看到16帧 参数一flag表示读取是否成功 参数二frame表示图片的内容
将1.mp4视频文件分解成图片
import cv2
cap cv2.VideoCapture(E:\Jupyter_workspace\study\DL\data/1.mp4)# 获取一个视频打开cap 1 file name
isOpened cap.isOpened# 判断是否打开‘
print(isOpened)
fps cap.get(cv2.CAP_PROP_FPS)#帧率视频每秒可以展示的图片
width int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))#视频的宽度信息
height int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))#视频的高度信息
print(fps,width,height)
i 0
while(isOpened):if i 10:breakelse:i i1(flag,frame) cap.read()# 读取每一张 flag frame fileName E:\Jupyter_workspace\study\DL\data/imagestr(i).jpgprint(fileName)if flag True:cv2.imwrite(fileName,frame,[cv2.IMWRITE_JPEG_QUALITY,100])
print(end!)二、图片合成视频
将视频写入进去对写入对象的创建 cv2.VideoWriter(2.mp4,-1,5,size) 参数一图片合成视频 参数二-1表示使用一个支持的解码器 参数三每秒处理的帧数5帧 参数四图片视频格式的大小
将一系列imagei(1i10)图片合成2.mp4视频
import cv2
img cv2.imread(E:\Jupyter_workspace\study\DL\data/image1.jpg)
imgInfo img.shape
size (imgInfo[1],imgInfo[0])
print(size)
videoWrite cv2.VideoWriter(2.mp4,-1,5,size)# 写入对象 1 file name
# 2 编码器 3 帧率 4 size
for i in range(1,11):fileName E:\Jupyter_workspace\study\DL\data/imagestr(i).jpgimg cv2.imread(fileName)videoWrite.write(img)
print(end!)三、Haar特征原理
什么是Haar特征 特征图像某个区域的像素点经过某种四则运算之后得到的结果言而与之像素进行运算所得到的结果这个结果有可能是一个具体的值、向量、矩阵、多维
Haar是个具体的值是经过白色方块和黑色方块之后相减得到的故Haar特征得到的是一个值
如何利用特征区分目标 通过阈值判决
如何得到判决 通过机器学习得到判决文献让机器知道什么是特征通过机器学习获取判决利用计算的特征获得阈值判决
计算公式 特征白色-黑色 特征整个区域权重 黑色权重 特征(p1-p2-p3p4)*w 推导Haar特征公式 黑色和白色的整体权重为-1白色部分的权重值为1黑色部分的权重值为-2 特征 整个区域 * 权重1 黑色 * 权重2 (黑白)* 1 黑 * (-2) 黑白 - 2 * 黑 白-黑
四、Haar特征遍历原理
需要将haar模板从上到下从左到右进行遍历也需要知道图片的大小以及模板的大小若原图像大小为100100harr模板大小为1010则需要100次才可以将整个图片遍历完毕 原图100100 模板1010 步长10 使用模板滑动 模板不仅可以进行滑动还可以进行模板的缩放例如原先的模板为1010每次缩放10%则下次的模板大小为1111若为20级则进行20次的缩放 举例原图像为1080720大小模板步长step为2原始模板大小为1010 要想计算整个图像上的haar特征当前的计算量为14(14个模板) * 20(20级缩放也就是20次缩放) * (1080/2 * 720/2)(需要这么多的模板) * (10 * 10这一百个点的加减运算) 50-100亿次的运算 若要求计算机处理每秒不得低于15帧则 50-100亿次 * 15 基本上为1000亿次的运算量故运算量太大国外有个大神研究出了积分图的概念可以极大的减小运算量。
五、积分图 A为1B为1 2C为1 3D为1 2 3 4 若求第4部分 A-B-CD (1) - (12) - (13) (1234) 4
六、Adaboost分类器
例如检测 苹果、苹果、苹果、香蕉 0.1 — 0.1 — 0.1 — 0.5 则通过检测的结果可以区分种类此时需要一个终止条件 训练终止条件 1、迭代的最大次数 2、每次迭代完之后有个检测概率p即最小的误差概率例如三个苹果一个香蕉此时的检测概率为75%
分类器的结构、Adaboost分类器的计算过程、opencv自带的人脸分类器的文档xml结构
分类器的结构设定一个阈值T若haar特征阈值T则认为是苹果否则认为是香蕉这是一级分类器但效果不太好 haarT1 and haarT2此时可以使用两级分类器两个阈值。对于每一级的分类器规定为强分类器则这是两个强分类器组成正常情况下Adaboost有15-20个强分类器所组成若一个目标连续通过15-20这些阈值则认为是准确目标。 Adaboost分类器的计算过程 如上图三个强分类器组成:第一个强分类器特征为x1阈值为t1、第二个强分类器特征为x2阈值为t2、第三个强分类器特征为x3阈值为t3 进行判决的时候x1t1表明已经通过了第一个强分类器同理最后需要都通过这些强分类器即x1t1 and x2t2 and x3t3 三个强分类器都通过时则认为是目标
强分类器作用判断当前的阈值与当前的特征是否吻合从而达到目标判决的效果 弱分类器作用计算强分类器的特征即计算当前的x1,x2,x3
例如弱分类器计算的特征为y1,y2,y2第二个强分类器的阈值x2 sum(y1,y2,y3)由三个弱分类器计算的特征进行累加从而得到强分类器的特征x2
弱分类器特征y1,y2,y3的计算每个弱分类器是由若干个Node结点组成最后的弱分类器的特征的计算还得归结于特征节点Node的计算 Node结点计算弱分类器特征在opencv中一个弱分类器最多支持3个haar特征每一个haar特征构成一个Node结点 例如Node1对应haar特征1若haar特征1 Node结点1的阈值判决haar1 Node1 T则把当前的结点特征z1 α1 若haar特征1 Node结点1的阈值判决haar1 Node1 T则把当前的结点特征z1 α2
这是Node1同理可计算出z2、z3 Z sum(z1,z2,z3),若Z判决文献T则弱分类器的计算特征y1AA Z sum(z1,z2,z3),若Z判决文献T则弱分类器的计算特征y1BB 将所有弱分类器的计算特征求和可得强分类器xxsum(y1,y2,y3) 强分类器在和强分类器的阈值文献T进行比较x T1 若连续通过三个强分类器的阈值判决文献则认为是目标
Adaboost训练步骤 1完成初始化数据的权值分布 苹果 苹果 苹果 香蕉 0.1—0.1—0.1—0.1 2、遍历阈值计算出一系列的误差概率P选取一个最小的误差概率minP其对应的权值为t 3、计算权重G1x 4、更新训练数据的权重分布 苹果 苹果 苹果 香蕉 0.2—0.2—0.2—0.8 检测人脸和人眼并描绘出来
步骤 1、加载xml文件 2、加载图片 3、计算图片的haar特征和对图像进行灰度处理haar特征的计算opencv已经封装好了调用即可其中用户自需要对图像进行灰度处理即可因为opencv中的所有haar特征都是基于灰度图片来进行计算的 4、进行检测检测出当前haar特征的人脸以及人脸上的特征例如人脸和眼睛 5、对检测出来的结果进行遍历并绘制出检测出来的方框
face_xml.detectMultiScale(gray,1.3,5) 参数一需要进行人脸检测的灰度图 参数二缩放系数即比例缩放 参数三人脸目标大小
import cv2
import numpy as np
# xml文件的引入
face_xml cv2.CascadeClassifier(E:\Jupyter_workspace\study\DL\data/haarcascade_frontalface_default.xml)
eye_xml cv2.CascadeClassifier(E:\Jupyter_workspace\study\DL\data/haarcascade_eye.xml)
# 加载含有人脸的图片
img cv2.imread(E:\Jupyter_workspace\study\DL\data/aa.jpg)
cv2.imshow(src,img)
# 计算haar特征和对图像进行灰度转化gray
gray cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 人脸识别的检测
faces face_xml.detectMultiScale(gray,1.3,5)
print(face,len(faces))#检测当前的人脸个数
# 绘制人脸为检测到的每个人脸进行画方框绘制
for (x,y,w,h) in faces:cv2.rectangle(img,(x,y),(xw,yh),(255,0,0),2)#人脸识别roi_face gray[y:yh,x:xw]#灰色人脸数据roi_color img[y:yh,x:xw]#彩色人脸数据# 1 grayeyes eye_xml.detectMultiScale(roi_face)#眼睛识别图片类型必须是灰度图print(eye,len(eyes))#打印检测出眼睛的个数for (e_x,e_y,e_w,e_h) in eyes:#绘制眼睛方框到彩色图片上cv2.rectangle(roi_color,(e_x,e_y),(e_xe_w,e_ye_h),(0,255,0),2)cv2.imshow(dst,img)
cv2.waitKey(0)效果图如下
检测人脸将人脸进行ROI提取并保存
# 1 load xml 2 load jpg 3 haar gray 4 detect 5 draw
import cv2
import numpy as np
# load xml 1 file name
face_xml cv2.CascadeClassifier(E:\Jupyter_workspace\study\DL\data/haarcascade_frontalface_default.xml)
eye_xml cv2.CascadeClassifier(E:\Jupyter_workspace\study\DL\data/haarcascade_eye.xml)
# load jpg
img cv2.imread(E:\Jupyter_workspace\study\DL\data/face.jpg)
cv2.imshow(src,img)
# haar gray
gray cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# detect faces 1 data 2 scale 3 5
faces face_xml.detectMultiScale(gray,1.3,5)
print(face,len(faces))
# draw
index 0
for (x,y,w,h) in faces:cv2.rectangle(img,(x,y),(xw,yh),(255,0,0),2)roi_face gray[y:yh,x:xw]roi_color img[y:yh,x:xw]fileName E:\Jupyter_workspace\study\DL\data/str(index).jpgcv2.imwrite(fileName,roi_color)index index 1# 1 grayeyes eye_xml.detectMultiScale(roi_face)print(eye,len(eyes))#for (e_x,e_y,e_w,e_h) in eyes:#cv2.rectangle(roi_color,(e_x,e_y),(e_xe_w,e_ye_h),(0,255,0),2)
cv2.imshow(dst,img)
cv2.waitKey(0)
