Python OpenCV使用带背景减法的 Haar 级联分类器的车辆和行人实时检测和分类

向右看齐 2023-10-02 12:07 14阅读 0赞

所提出系统的检测阶段主要是在输入图像上移动目标大小的窗口，并为图像的每个子部分计算类 Haar 特征。然后将此差异与将非对象与对象分开的学习阈值进行比较。

这种方法的最大优点是计算速度。由于使用 积分图像可以快速有效地生成网格的矩形子集中的值的总和，因此可以在恒定时间内计算出任何大小的类 Haar 特征（对于 2 个矩形特征大约需要 60 条微处理器指令） ）。

图 1 显示了一个示例视频的单帧。该图像包含行人作为对象。图 2 是使用 MOG2 背景减法后的输出快照。行人下方的灰色部分代表人的影子。

图 1 视频样本帧

作为提高性能的预处理步骤，在 OpenCV 库函数的帮助下使用 MOG2 执行背景减法。用于行人检测的 MOG2 减法结果如图 2 所示。

图 2 背景扣除后的结果

接下来，我们创建要检测的各种对象（目标对象）的 XML 文件，即公共汽车、汽车、双轮车和行人各有一个 XML 文件。参与创建的步骤

XML文件如下所示

涉及的各种过程的流程图

为了实现上述步骤，我们使用了一种称为 Haar 训练工具的特殊工具。该工具由用于创建 XML 文件的各种文件和文件夹组成，如下图所示。

第 1 步：正负图像集的收集

对于正图像数据集，一些图像是从视频中手动裁剪出来的，其余图像是从互联网上下载的。负片图像通过 ImageNet 下载并进行灰度处理，因为与彩色图像相比，这些图像的处理速度和性能既高又简单。然后将所有负图像放置在名为负的文件夹中，然后将所有正图像放置在训练工具文件夹的正文件夹中名为 rawdata 的文件夹中。

公共汽车、汽车、行人和两轮车的正面形象

放置在负片文件夹中的灰度负片图像

正图像是包含目标对象的图像，负图像是没有目标对象的图像。

第 2 步：创建 info.txt、bg.txt 和 Vector 文件

在这一步中，我们转到否定文件夹并单击批处理文件\-create\_list.bat。这反过来会创建一个文件 bg.txt，其中包含如下所示的负面图像的名称列表

接下来，我们创建 info.txt 文件，该文件告诉我们正图像中对象的确切位置、对象的数量、其 x 坐标、y 坐标等。为此，我们使用一个工具

称为 objectmarker.exe

使用对象标记工具，我们在原始数据文件夹中给出的每个正图像中标记对象，方法是使用矩形框包围对象，然后按 <space>。如果我们在同一图像中有另一个对象，那么我们选择该对象并按 <space>。选择所有对象后，我们按 <enter> 键转到下一张图像。然后在 objectmarker.exe 中显示有关图像中检测到的对象的一行详细信息，如下图所示。

在对 rawdata 文件夹中的所有图像执行上述过程后，objectmarker 工具将关闭并创建一个名为 info.txt 的文件，如下所示，其中提供了有关正图像和在其中检测到的对象的详细信息。

例如， info.txt 中的“rawdata/a1.bmp 1 32 97 236 236”行表示名为“a1.bmp”的正图像存储在路径“rawdata/a1.bmp”中 有1个对象它，放置在给定的位置：

x 坐标 = 32，y 坐标 = 97，宽度 = 236，高度 = 236。

接下来，我们为正图像创建了矢量文件。在 文件夹 ..\\training\\ 中有一个名为 samples\_creation 的批处理文件。蝙蝠。Bath 文件的内容如下所示。createsamples.exe -info positive/info.txt

–vec 向量/objectvector.vec –num 200 -w 24 -h 24

主要参数：

\-info positive/info.txt正信息文件的路径

\-vec vector/objectvector.vec 输出矢量文件的路径

\-num 200 要处理 的正文件数

打包成矢量文件

\-w 24对象的宽度

\-h 24对象的高度

这个批处理文件加载 info.txt 并将对象图像打包成一个矢量文件，名称为例如 objectvector.vec 。运行批处理文件后，我们将在文件夹..\\training\\vector 中得到文件objectvector.vec。

第 4 步：训练 Haar 分类器

在 这个 步骤中， 我们 点击 了 haartraining.exe 文件 ，其开始 的 哈尔 分类 培训。在 下面的 东西 已经在haarTraining.bat文件中设置。

bat 文件用于定义矢量文件的位置、负文件、使用的正负图像的数量 \- 此处均为 200，分配给该训练程序的内存（以 MB 为单位）\-此处为 4096MB、宽度和样本图像的高度 \- 此处为 24，此处为 20 的训练阶段数。此处 \- 数据级联表示路径并用于存储分类器的级联。

使用haartraining.exe 时会出现上述屏幕。这里

父节点： 定义当前训练过程中的阶段

N：本阶段使用的特征数

%SMP：样本百分比（用于此功能的样本百分比）

F：“+”如果翻转（应用对称时）和“-

” 如果不是

ST.THR： 阶段阈值

HR：基于阶段阈值的命中率

FA：基于阶段阈值的误报

经验值 ERR：强分类器的指数误差

训练师在第10阶段的图像如下所示。在这里，我们观察到整体错误检测/警报（FA）已经减少，使用的特征没有增加，训练所需的时间也随着阶段的增加而增加。

第 5 步：创建 XML 文件

上述过程结束后，cascades 文件夹加载了 0 到 N-1 个文件夹，其中 N 是我们在 haarTraining.bat 文件中输入的阶段数。每个文件夹都包含一个名为 AdaBoostCARTHaarClassifier.txt 的文件。现在我们将所有这些文件夹复制到cascade2xml/data文件夹，如下所示。

现在我们应该将所有创建的阶段（分类器）合并到一个 XML 文件中，这将是我们的最终文件，即“类 Haar 分类器的级联”。然后我们将convert.bat 文件设置为要创建的xml 文件的名称、宽度和高度。然后我们通过单击 haarconv.exe 创建 XML 文件。之后我们将得到如下所示的 myobjectdetector.xml 文件。

同样，我们为汽车、行人、两轮车等创建 XML 文件。

该 生成的XML文件，然后与级联分类器的命令处理的OpenCV，然后将每个帧被转换成灰度级作为彩色帧 降低了处理速度。

下一步涉及到 由detectMultiScale完成的物体检测，该命令的重要参数是比例因子，它在避免误检和漏检方面起着重要作用。尝试了各种比例因子的值，并为每个汽车、公共汽车、两轮车和行人检测选择最合适的一个，因此在检测到的对象上绘制矩形。

使用用于检测公共汽车、汽车、行人和两轮车等物体的各种 xml 文件后获得的结果示例图像如下所示。

总线检测

汽车检测

两轮车检测

行人检测