【原】训练自己的haar-like特征分类器并识别物体（3）

在前两篇文章中，我介绍了《训练自己的haar-like特征分类器并识别物体》的前三个步骤：

1.准备训练样本图片，包括正例及反例样本

2.生成样本描述文件

3.训练样本

4.目标识别

==============

本文将着重说明最后一个阶段——目标识别，也即利用前面训练出来的分类器文件(.xml文件)对图片中的物体进行识别，并在图中框出在该物体。由于逻辑比较简单，这里直接上代码：

int _tmain(int argc, _TCHAR* argv[])
{
	char *cascade_name = CASCADE_HEAD_MY; //上文最终生成的xml文件命名为"CASCADE_HEAD_MY.xml"
	cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name, 0, 0, 0 ); //加载xml文件

	if( !cascade )
	{
		fprintf( stderr, "ERROR: Could not load classifier cascade\n" );
		system("pause");
		return -1;
	}
	storage = cvCreateMemStorage(0);
	cvNamedWindow( "face", 1 ); 

	const char* filename = "(12).bmp";
	IplImage* image = cvLoadImage( filename, 1 );

	if( image )
	{
		detect_and_draw( image ); //函数见下方
		cvWaitKey(0);
		cvReleaseImage( &image );
	}
	cvDestroyWindow("result");
	return 0;
}

 void detect_and_draw(IplImage* img )
 {
     double scale=1.2;
     static CvScalar colors[] = {
         {{,,}},{{,,}},{{,,}},{{,,}},
         {{,,}},{{,,}},{{,,}},{{,,}}
     };//Just some pretty colors to draw with

     //Image Preparation
     //
     IplImage* gray = cvCreateImage(cvSize(img->width,img->height),,);
     IplImage* small_img=cvCreateImage(cvSize(cvRound(img->width/scale),cvRound(img->height/scale)),,);
     cvCvtColor(img,gray, CV_BGR2GRAY);
     cvResize(gray, small_img, CV_INTER_LINEAR);

     cvEqualizeHist(small_img,small_img); //直方图均衡

     //Detect objects if any
     //
     cvClearMemStorage(storage);
     double t = (double)cvGetTickCount();
     CvSeq* objects = cvHaarDetectObjects(small_img,
         cascade,
         storage,
         1.1,
         ,
         /*CV_HAAR_DO_CANNY_PRUNING*/,
         cvSize(,));

     t = (double)cvGetTickCount() - t;
     printf( "detection time = %gms\n", t/((double)cvGetTickFrequency()*.) );

     //Loop through found objects and draw boxes around them
     for(int i=;i<(objects? objects->total:);++i)
     {
         CvRect* r=(CvRect*)cvGetSeqElem(objects,i);
         cvRectangle(img, cvPoint(r->x*scale,r->y*scale), cvPoint((r->x+r->width)*scale,(r->y+r->height)*scale), colors[i%]);
     }
     for( int i = ; i < (objects? objects->total : ); i++ )
     {
         CvRect* r = (CvRect*)cvGetSeqElem( objects, 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%], , ,  );
     }

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

detect_and_draw

===================================

其实上面的代码可以运用于大部分模式识别问题，无论是自己生成的xml文件还是opencv自带的xml文件。在opencv的工程目录opencv\data文件夹下有大量的xml文件，这些都是opencv开源项目中的程序员们自己训练出来的。然而，效果一般不会合你预期，所以才有了本系列文章。天下没有免费的午餐，想要获得更高的查准率与查全率，不付出点努力是不行的！