【opencv】神经网络识别美女

最近比较闲，想做一个判断是否是美女的算法
从网上搜集了一些图片，首先要提取这些图片中的人脸并保存作为训练集，可以参考文章：
http://blog.csdn.net/qq_15947787/article/details/51393030

下面是完整的代码

//opencv2.4.9 + vs2012 + win7 x64
#include <opencv2/opencv.hpp>
#include <iostream>
#include <stdio.h>
#include <windows.h>using namespace std;
using namespace cv;/** Function Headers */
void detectAndCut( Mat img ,string dir ,string filename );
void AllImagePro( string src, string dst, const int number );
char* WcharToChar(const wchar_t* wp);
wchar_t* CharToWchar(const char* c);
wchar_t* StringToWchar(const string& s);
string getstring ( const int n );CascadeClassifier face_cascade;
String face_cascade_name = "haarcascade_frontalface_alt.xml";//主函数
int main()
{const int sample_mun_perclass = 12;//训练每类图片数量const int class_mun = 2;//训练类数 一类是美女，一类是丑女 ^-^const int image_cols = 30;const int image_rows = 30;string  fileReadName,fileReadPath;float trainingData[class_mun*sample_mun_perclass][image_rows*image_cols] = {{0}};//每一行一个训练样本float labels[class_mun*sample_mun_perclass][class_mun]={{0}};//训练样本标签if( !face_cascade.load( face_cascade_name ) ){ printf("--(!)Error loading\n"); return -1; };AllImagePro( "0", "0cut" ,sample_mun_perclass);AllImagePro( "1", "1cut" ,sample_mun_perclass);cout<<"cut……OK！"<<endl;for(int i=0;i<class_mun;++i)//不同类{//读取每个类文件夹下所有图像int j = 0;//每一类读取图像个数计数fileReadPath = getstring(i) + "cut/" + "*.*";cout<<"文件夹"<<i<<endl;HANDLE hFile;LPCTSTR lpFileName = StringToWchar(fileReadPath);//指定搜索目录和文件类型，如搜索d盘的音频文件可以是"D:\\*.mp3"WIN32_FIND_DATA pNextInfo;  //搜索得到的文件信息将储存在pNextInfo中;hFile = FindFirstFile(lpFileName,&pNextInfo);//请注意是 &pNextInfo , 不是 pNextInfo;if(hFile == INVALID_HANDLE_VALUE){exit(-1);//搜索失败}//do-while循环读取do{if(pNextInfo.cFileName[0] == '.')//过滤.和..continue;//wcout<<pNextInfo.cFileName<<endl;j++;printf("%s\n",WcharToChar(pNextInfo.cFileName));//对读入的图片进行处理Mat srcImage = imread( getstring(i) + "/" + WcharToChar(pNextInfo.cFileName),CV_LOAD_IMAGE_GRAYSCALE);Mat trainImage;resize(srcImage,trainImage,Size(image_cols,image_rows),(0,0),(0,0),CV_INTER_AREA);//使用象素关系重采样。当图像缩小时候，该方法可以避免波纹出现// threshold(trainImage,trainImage,0,255,CV_THRESH_BINARY|CV_THRESH_OTSU);Canny(trainImage ,trainImage ,150,100,3,false);for(int k = 0; k<image_rows*image_cols; ++k){trainingData[i*sample_mun_perclass+(j-1)][k] = (float)trainImage.data[k];//trainingData[i*sample_mun_perclass+(j-1)][k] = (float)trainImage.at<unsigned char>((int)k/8,(int)k%8);//(float)train_image.data[k];//cout<<trainingData[i*sample_mun_perclass+(j-1)][k] <<" "<< (float)trainImage.at<unsigned char>(k/8,k%8)<<endl;}} while (FindNextFile(hFile,&pNextInfo) );}// Set up training data MatMat trainingDataMat(class_mun*sample_mun_perclass, image_rows*image_cols, CV_32FC1, trainingData);//cout<<"trainingDataMat:"<<endl;//cout<<trainingDataMat<<endl;cout<<"trainingDataMat——OK！"<<endl;// Set up label data  for(int i=0;i<=class_mun-1;++i){for(int j=0;j<=sample_mun_perclass-1;++j){for(int k = 0;k<class_mun;++k){if(k==i)labels[i*sample_mun_perclass + j][k] = 1;else labels[i*sample_mun_perclass + j][k] = 0;}}}// Set up label data Mat labelsMat(class_mun*sample_mun_perclass, class_mun, CV_32FC1,labels);cout<<"labelsMat:"<<endl;cout<<labelsMat<<endl;cout<<"labelsMat——OK！"<<endl;//训练代码cout<<"training start...."<<endl;CvANN_MLP bp;// Set up BPNetwork's parametersCvANN_MLP_TrainParams params;params.train_method=CvANN_MLP_TrainParams::BACKPROP;params.bp_dw_scale=0.001;params.bp_moment_scale=0.1;params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS,10000,0.0001);  //设置结束条件//params.train_method=CvANN_MLP_TrainParams::RPROP;//params.rp_dw0 = 0.1;//params.rp_dw_plus = 1.2;//params.rp_dw_minus = 0.5;//params.rp_dw_min = FLT_EPSILON;//params.rp_dw_max = 50.;//Setup the BPNetworkMat layerSizes=(Mat_<int>(1,4) << image_rows*image_cols,int(image_rows*image_cols/2),int(image_rows*image_cols/2),class_mun);bp.create(layerSizes,CvANN_MLP::SIGMOID_SYM,1.0,1.0);//CvANN_MLP::SIGMOID_SYM//CvANN_MLP::GAUSSIAN//CvANN_MLP::IDENTITYcout<<"training...."<<endl;bp.train(trainingDataMat, labelsMat, Mat(),Mat(), params);bp.save("bpcharModel.xml"); //save classifiercout<<"training finish...bpModel1.xml saved "<<endl;//测试神经网络cout<<"测试："<<endl;Mat test_image = imread("25.jpg",CV_LOAD_IMAGE_GRAYSCALE);Mat test_temp;resize(test_image,test_temp,Size(image_cols,image_rows),(0,0),(0,0),CV_INTER_AREA);//使用象素关系重采样。当图像缩小时候，该方法可以避免波纹出现//threshold(test_temp,test_temp,0,255,CV_THRESH_BINARY|CV_THRESH_OTSU);Canny(test_temp ,test_temp ,150,100,3,false);Mat_<float>sampleMat(1,image_rows*image_cols); for(int i = 0; i<image_rows*image_cols; ++i)  {  sampleMat.at<float>(0,i) = (float)test_temp.data[i];// sampleMat.at<float>(0,i) = (float)test_temp.at<uchar>(i/8,i%8);  //(float)resizeImage.data[k]}  Mat responseMat;  bp.predict(sampleMat,responseMat); float* p=responseMat.ptr<float>(0);  float max= -1,min =0;  int index = 0;  for(int k=0;k<class_mun;++k)  {  cout<<(float)(*(p+k))<<" ";  if(k==class_mun-1)  cout<<endl;  if((float)(*(p+k))>max)  {  min = max;  max = (float)(*(p+k));  index = k;  }  else  {  if(min < (float)(*(p+k)))  min = (float)(*(p+k));  }  }  //对应上美、丑string judge = "";if (index==0)judge = "美美的！";if (index==1)judge = "略丑啊！";cout<<"识别结果:"<<judge<<endl<<"识别置信度:"<<(((max-min)*100) > 100 ? 100:((max-min)*100))<<endl;/*Point maxLoc;double maxVal = 0;minMaxLoc(responseMat,NULL,&maxVal,NULL,&maxLoc);cout<<"识别结果："<<maxLoc.x<<"  置信度:"<<maxVal*100<<"%"<<endl;*/imshow("test_image",test_image);  imshow("test_temp",test_temp);  waitKey(0);return 0;
}//读取目录src下min（number，所有图像）图像提取人脸并保存到srccut目录，
//参数：原图片目录src       剪切图片保存目录dst     读取最大数量number
void AllImagePro( string src, string dst, static int number )
{int count=0;string src1 = src;  string src1cut = dst;HANDLE hFile;LPCTSTR lpFileName = StringToWchar(src1+"/"+"*.*"); //指定搜索目录和文件类型，如搜索d盘的音频文件可以是"D:\\*.mp3"WIN32_FIND_DATA pNextInfo;  //搜索得到的文件信息将储存在pNextInfo中;hFile = FindFirstFile(lpFileName,&pNextInfo);//请注意是 &pNextInfo , 不是 pNextInfo;if(hFile == INVALID_HANDLE_VALUE){//搜索失败exit(-1);}cout<<"文件夹"<<src<<"找到的图片："<<endl;do{if(pNextInfo.cFileName[0] == '.')//过滤.和..continue;count++;printf("%s\n",WcharToChar(pNextInfo.cFileName));Mat img = imread( src1 + "/" + WcharToChar(pNextInfo.cFileName) , 1 );detectAndCut( img ,src1cut ,WcharToChar(pNextInfo.cFileName) );}while (FindNextFile(hFile,&pNextInfo) && count<number);//如果设置读入的图片数量，则以设置的为准，如果图片不够，则读取文件夹下所有图片
}//人脸检测
//参数：待检测图像img       保存路径dir     保存文件名name
void detectAndCut( Mat img ,string dir, string filename)
{std::vector<Rect> faces;Mat img_gray;cvtColor( img, img_gray, COLOR_BGR2GRAY );equalizeHist( img_gray, img_gray );//-- Detect facesface_cascade.detectMultiScale( img_gray, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) );for( size_t i = 0; i < faces.size(); i++ ){Point rec( faces[i].x, faces[i].y );Point rec2( faces[i].x + faces[i].width, faces[i].y + faces[i].height );Mat roi_img = img( Range(faces[i].y,faces[i].y + faces[i].height), Range(faces[i].x,faces[i].x + faces[i].width) );imwrite( dir+"/"+filename, roi_img );   }
}char* WcharToChar(const wchar_t* wp)
{  char *m_char;int len= WideCharToMultiByte(CP_ACP,0,wp,wcslen(wp),NULL,0,NULL,NULL);  m_char=new char[len+1];  WideCharToMultiByte(CP_ACP,0,wp,wcslen(wp),m_char,len,NULL,NULL);  m_char[len]='\0';  return m_char;
}  wchar_t* CharToWchar(const char* c)
{   wchar_t *m_wchar;int len = MultiByteToWideChar(CP_ACP,0,c,strlen(c),NULL,0);  m_wchar=new wchar_t[len+1];  MultiByteToWideChar(CP_ACP,0,c,strlen(c),m_wchar,len);  m_wchar[len]='\0';  return m_wchar;
}  wchar_t* StringToWchar(const string& s)
{  const char* p=s.c_str();  return CharToWchar(p);
}  string getstring ( const int n )
{std::stringstream newstr;newstr<<n;return newstr.str();
}

美女原图：

NOT美女原图：

进行人脸检测截取后：
美女训练集：

NOT美女训练集：

照片都是百度随便搜的……

测试结果：

识别正确率80%左右
主要原因：
1、面部提取的不是特别准确，感觉略大
2、训练集太少，因为只是为了玩玩，只有16张图做训练集，所以会一定程度上影响测试的准确性
3、图像中脸部有的倾斜太严重，妹子们拍照总喜欢歪着脸，……会影响结果
4、所有人脸测试时均标准化为30*30，略小
5、采用canny算子得到的边缘进行训练，忽略了气色等因素，脸白脸黑其实边缘都差不多

【opencv】神经网络识别美女相关推荐

OpenCV进阶之路：神经网络识别车牌字符
1. 关于OpenCV进阶之路前段时间写过一些关于OpenCV基础知识方面的系列文章,主要内容是面向OpenCV初学者,介绍OpenCV中一些常用的函数的接口和调用方法,相关的内容在OpenCV的手 ...
神经网络识别车牌字符
Ronny大神曾在OpenCV进阶之路:神经网络识别车牌字符写过有关用神经网络识别车牌字符的文章,但无奈仅仅给出了样本,没有详细的代码,在这里补足这个遗憾. opencv环境请自行配置.因为用到了MF ...
opencv神经网络库之SVM和ANN_MLP的使用【 OpenCV 技能树评测】
opencv神经网络库之SVM和ANN_MLP 简介 SVM MLP 数据读取 SVM训练和预测训练 python版SVM预测 C++版SVM训练 C++版SVM预测 MLP训练和预测 MLP训练 ...
OpenCV 人脸识别源代码
请直接查看原文 OpenCV 人脸识别源代码 https://hotdog29.com/?p=553 在 2019年7月6日上张贴由 hotdog发表回复 opencv 人脸识别在本教程中,您 ...
基于python opencv人脸识别的签到系统
基于python opencv人脸识别的签到系统前言先看下效果实现的功能开始准备页面的构建功能实现代码部分总结前言一个基于opencv人脸识别和TensorFlow进行模型训练的人 ...
【功能超全】基于OpenCV车牌识别停车场管理系统软件开发【含python源码+PyqtUI界面+功能详解】-车牌识别python 深度学习实战项目
车牌识别基础功能演示摘要:车牌识别系统(Vehicle License Plate Recognition,VLPR) 是指能够检测到受监控路面的车辆并自动提取车辆牌照信息(含汉字字符.英文字母.阿 ...
OpenCV人脸识别（1）原理介绍
前言本系列博客学习如何使用OpenCV来执行面部识别. 为了构建人脸识别系统,我们首先进行人脸检测,使用深度学习从每个人脸提取人脸特征,在提取到特征上训练人脸识别模型,然后用OpenCV识别图像和视 ...
python opencv 文字识别_文本识别使用 Tesseract 进行 OpenCV OCR 和文本识别
文本识别用 Tesseract 进行 OpenCV OCR 和文本识在本教程中,您将学习如何应用OpenCV OCR(光学字符识别).我们将使用OpenCV,Python和Tesseract 执 ...
【转】OpenCV人脸识别
转自:https://blog.csdn.net/learning_tortosie/article/details/85121576 写在前面这是Adrian Rosebrock博客的第二篇翻译, ...

【opencv】神经网络识别美女

【opencv】神经网络识别美女相关推荐

最新文章

热门文章