xml文件转换

于 2015-08-11 14:40:12 发布
阅读量3.1k 收藏 1
点赞数 1
分类专栏： Deep Learning（深度学习） opencv图像知识 常见错误 opencv分类器训练
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liulina603/article/details/47419747
版权

opencv 中将级联分类器数据存储为xml文件，读取时非常复杂，为了降低复杂度

我将haar分类器数据按最简单的格式存储，只包含纯的数据，不含任何其它冗余信息

存储的顺序就是按cascade结构体中个成员的定义顺序来存储的。

具体的存储代码:    int SaveCascade(CvHaarClassifierCascade *cascade)函数

// testtest.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include <stdio.h>
#include <iostream>
#include <vector>
#include "hongdingyi.h"
#include <algorithm>
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

#pragma comment(lib, "opencv_objdetect249d.lib")

int SaveCascade(CvHaarClassifierCascade *cascade);

int main( int argc, char** argv )
{
	CvHaarClassifierCascade* cascade = 0;
	cvReleaseHaarClassifierCascade(&cascade);//这句一定要加，否则会报错,

	const char *cascade_name="D:\\连通域、填冲、细化、删除、边缘检测\\testtest\\testtest\\haarcascade_frontalface_alt.xml";

	cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name );

	SaveCascade(cascade);

	return 0;
}

int SaveCascade(CvHaarClassifierCascade *cascade)
{
	FILE *haar;
	int i,j,k,m ,tempi;
	double tempd;
	float tempf;
	if ((haar = fopen("haar_feature.txt","wb"))==NULL)
	{
		return -1;
	}
	tempi=cascade->flags;

	fwrite(&tempi,sizeof(int),1,haar);
	tempi =cascade->count;
	fwrite(&tempi,sizeof(int),1,haar);

	tempi =cascade->orig_window_size.width;
	fwrite(&tempi,sizeof(int),1,haar);
	tempi =cascade->orig_window_size.height;
	fwrite(&tempi,sizeof(int),1,haar);
	tempi =cascade->real_window_size.width;
	fwrite(&tempi,sizeof(int),1,haar);
	tempi =cascade->real_window_size.height;
	fwrite(&tempi,sizeof(int),1,haar);

	tempd =cascade->scale;
	fwrite(&tempd,sizeof(double),1,haar);

	for (int i=0;i<cascade->count;i++)
	{
		tempi = cascade->stage_classifier[i].count;
		fwrite(&tempi,sizeof(int),1,haar);
		tempf = cascade->stage_classifier[i].threshold;
		fwrite(&tempf,sizeof(float),1,haar);
		for (int j=0;j<cascade->stage_classifier[i].count;j++)
		{
			tempi =cascade->stage_classifier[i].classifier[j].count;
			fwrite(&tempi,sizeof(int),1,haar);
			printf("cascade->stage_classifier[%d].classifier[%d].cout=%d\n",i,j,cascade->stage_classifier[i].classifier[j].count);

			for (int k=0;k<cascade->stage_classifier[i].classifier[j].count;k++)
			{
				tempi =cascade->stage_classifier[i].classifier[j].haar_feature[k].tilted;
				fwrite(&tempi,sizeof(int),1,haar);

				for (int m=0;m<3;m++)
				{
					tempi =cascade->stage_classifier[i].classifier[j].haar_feature[k].rect[m].r.x;
					fwrite(&tempi,sizeof(int),1,haar);
					tempi =cascade->stage_classifier[i].classifier[j].haar_feature[k].rect[m].r.y;
					fwrite(&tempi,sizeof(int),1,haar);
					tempi =cascade->stage_classifier[i].classifier[j].haar_feature[k].rect[m].r.width;
					fwrite(&tempi,sizeof(int),1,haar);

					tempi =cascade->stage_classifier[i].classifier[j].haar_feature[k].rect[m].r.height;
					fwrite(&tempi,sizeof(int),1,haar);

					tempf =cascade->stage_classifier[i].classifier[j].haar_feature[k].rect[m].weight;
					fwrite(&tempf,sizeof(float),1,haar);

				}

			}
			tempf =*(cascade->stage_classifier[i].classifier[j].threshold);
			fwrite(&tempf,sizeof(float),1,haar);
			tempf =*(cascade->stage_classifier[i].classifier[j].threshold+1);
			fwrite(&tempf,sizeof(float),1,haar);
			tempi =*(cascade->stage_classifier[i].classifier[j].left);
			fwrite(&tempi,sizeof(int),1,haar);
			tempi =*(cascade->stage_classifier[i].classifier[j].left+1);
			fwrite(&tempi,sizeof(int),1,haar);
			tempi =*(cascade->stage_classifier[i].classifier[j].right);
			fwrite(&tempi,sizeof(int),1,haar);
			tempi =*(cascade->stage_classifier[i].classifier[j].right+1);
			fwrite(&tempi,sizeof(int),1,haar);

			tempf =*(cascade->stage_classifier[i].classifier[j].alpha);
			fwrite(&tempf,sizeof(float),1,haar);
			tempf =*(cascade->stage_classifier[i].classifier[j].alpha+1);
			fwrite(&tempf,sizeof(float),1,haar);

		}

		tempi =cascade->stage_classifier[i].next;
		fwrite(&tempi,sizeof(int),1,haar);

		tempi =cascade->stage_classifier[i].child;
		fwrite(&tempi,sizeof(int),1,haar);

		tempi =cascade->stage_classifier[i].parent;
		fwrite(&tempi,sizeof(int),1,haar);

	}
	fclose(haar);
	return 0;

}


注意： cvReleaseHaarClassifierCascade(&cascade);//这句一定要加，否则会报错,如下图：


对OpenCV中Haar特征CvHaarClassifierCascade等结构理解

在调用OpenCV中的级联分类器对目标进行分类时，都会将一个训练好的分类器（一个训练好的.xml文件）读入到一个CvHaarClassifierCascade结构中，如下：

CvHaarClassifierCascade* cascade = (CvHaarClassifierCascade*)cvLoad( "haarcascade_frontalface_alt.xml", 0, 0, 0 );

那么这个CvHaarClassifierCascade结构体里面的内容都有哪些呢？

typedef struct CvHaarClassifierCascade
{
    int  flags;                 /* 标志位 */
    int  count;                 /* 分级分类器中强分类器的数量 */
    CvSize orig_window_size;     /* 训练中原始目标的大小 */　
    
    /* these two parameters are set by cvSetImagesForHaarClassifierCascade */
    CvSize real_window_size;     /* 待检测物体的大小 */
    double scale;                /* Haar块缩放的尺寸 */
    
    CvHaarStageClassifier* stage_classifier; /* 定义强分类器数组 */ 
    CvHidHaarClassifierCascade* hid_cascade;
}CvHaarClassifierCascade;


第一个flags，还不是很清楚，在debug模式下，flags=1112539136（好吧，这个值很诡异），我也不是很清楚

第二个count，表示整个分级分类器中强分类器的数量，即最后参与级联的强分类器的个数

第三个orig_window_size，表示的是在训练时用的正样本的尺寸，OpenCV中的尺寸是20x20

第四个和第五个，注释中说了，这两个参数需要自己设置，具体每个参数看注释

第六个stage_classifier，是强分类器指针，指向一个强分类器数组，之前的count是多少，那么此处的强分类器就有多少

最后一个hid_cascade，还不是很清楚

下面来看上面第六个参数的强分类器结构体

typedef struct CvHaarStageClassifier
{
    int  count;  /* number of classifiers in the battery 构成强分类器的弱分类器的数量*/
    float threshold; /* threshold for the boosted classifier 叠加分类器的阈值*/
    CvHaarClassifier* classifier; /* array of classifiers 定义分类器数组*/
    /* these fields are used for organizing trees of stage classifiers,
       rather than just stright cascades */
    int next;
    int child;
    int parent;
}CvHaarStageClassifier;

第一个count，表示该强分类器中，弱分类器的数量，即该强分类器由多少个弱分类器组成

第二个threshold，叠加分类器的阈值（好吧。。这个我也不知道）

第三个classifier，是一个指针，指向的是一个弱分类器数组，之前的count是多少，此处的弱分类器就有多少

后面3个都不清楚。。。（望知道的网友给予帮助）

下面是弱分类器的结构

typedef struct CvHaarClassifier
{
    int count;      /* number of nodes in the decision tree */
    /* these are "parallel" arrays. Every index i corresponds to a node of the decision tree (root has 0-th index).
    left[i] - index of the left child (or negated index if the left child is a leaf)
    right[i] - index of the right child (or negated index if the right child is a leaf)
    threshold[i] - branch threshold. if feature responce is <= threshold, left branch is chosen, otherwise right branch is chosed.
    alpha[i] - output value correponding to the leaf. */

    CvHaarFeature* haar_feature;
    float* threshold;
    int* left;
    int* right;
    float* alpha;
}CvHaarClassifier;

第一个count，在opencv里，发现始终都是1，自己想了想，因为这个结构体记录的是一个弱分类器，自然弱分类器的个数就是1了。

第二个haar_feature，也是一个指针，指向一个（因为count是1）特征结构体CvHaarFeature，这个结构体中记录的内容是弱分类器的类型（包括该haar-like特征的位置，大小，以及种类，这个结构体会在下面给出，再细说）

第三个threshold，就是那个判别函数：h(x,f,p,theta) = (p*f(x) < p*theta ? 1 : 0),中的阈值theta

　　　

第四个left，第五个right不是很清楚（求知道的同学详解啊~~~~）

第六个alpha，就是这个弱分类器的权重（每一个强分类器都是由多个弱分类器按照各自的权重进行表决，而得到的）

特征的结构体如下

#define CV_HAAR_FEATURE_MAX  3
// 一个Haar特征由2~3个具有相应权重的矩形组成
typedef struct CvHaarFeature
{
    int  tilted;      // 0 means up-right feature, 1 means 45-rotated feature
    struct
    {
        CvRect r;
        float weight;
    } rect[CV_HAAR_FEATURE_MAX]; 
    // 2-3 rectangles with weights of opposite signs and with absolute values inversely proportional to the areas of the rectangles. if rect[2].weight != 0, then the feature 　　　　consists of 3 rectangles, otherwise it consists of 2.
}CvHaarFeature;

第一个参数titled，0表示该特征是标准的haar-like特征，1表示旋转45°后的特征

　　标准的haar-like特征如下：

　　　　　　

　　而旋转45°后的特征如下：

　　　　　　

第二个参数是个结构体数组，每个结构体中包括一个矩形和一个权重，这个数组的大小是CV_HAAR_FEATURE_MAX（3）（注释中说：此处可能有2~3个矩形，这里的矩形等看了下面的解释就知道了），这个矩形和权重有什么用呢？

　　在debug模式下，查看第一个弱分类器数组内的元素

　　第一个元素：

1 rect[0].r.x = 3
2 rect[0].r.y = 7
3 rect[0].r.width = 14
4 rect[0].r.height = 4
5 rect[0].weight = -1

　　第二个元素：

1 rect[1].r.x = 3
2 rect[1].r.y = 9
3 rect[1].r.width = 14
4 rect[1].r.height = 2
5 rect[1].weight = 2

第三个元素则全都是0

　　这么看这些坐标，并不是很清楚，我们可以画个图：

　　

　　由图可见，第一个矩形表示的是A+B区域，第二个矩形表示的是B区域。

　　此时再看一看每个元素的权重weight，结合积分图的概念，发现第一个矩形的积分图乘以其权重加上第二个积分图乘以其权重，恰好得到下述结果：

　　（A+B）*（-1）+B*2=B-A

　　看到这个公式，大家都不会陌生，这正式VJ论文中给出的众多haar-like模板中的其中一个模板的计算方法（此处不知如何表达，大家将就，看懂就行）　

我们继续考察第二个弱分类器的特征部分，其特征参数如下：

rect[0].r.x = 1, rect[0].r.y = 2
rect[0].r.width = 18, rect[0].r.height = 4
rect[0].weight = -1

rect[1].r.x = 7, rect[1].r.y = 2
rect[1].r.width = 6, rect[1].r.height = 4
rect[1].weight = 3

数组的第三个元素依然都是是0，对其绘图：

　　

　　第一块矩形区域是A+B+C，第二块矩形区域是B，积分图乘以权重，再相加，可得：

　　（A+B+C）*（-1）+B*3 = 2*B-A-C

　　也是haar-like特征模板之一（此处不知如何表达，大家将就，看懂就行）

刚刚找了好久，找到一个第三个元素权重不为0的，该数组三个元素如下：

rect[0].r.x = 0, rect[0].r.y = 2
rect[0].r.width = 20, rect[0].r.height = 6;
rect[0].weight = -1

rect[1].r.x = 10, rect[1].r.y = 2
rect[1].r.width = 10, rect[1].r.height = 3;
rect[1].weight = 2

rect[2].r.x = 0, rect[2].r.y = 5
rect[2].r.width = 10, rect[2].r.height = 3;
rect[2].weight = 2

绘图可得：

　　

　　将每个矩形乘以相应的权重，相加可得：

　　（A+B+C+D）*（-1）+2*B + 2*C = B+C-(A+D)



liulina603
关注
专栏目录
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值