AI入门之神经网络（8）使用opencv的ML模块中的ANN_MLP训练二分类检测睁眼和闭眼网络

使用opencv的ML模块中的ANN_MLP训练二分类检测睁眼和闭眼的5层网络

注释写的很清楚，你跟着注释写，一样可以写出来
话不多说直接上代码：

#include "opencv2/opencv.hpp"
#include "opencv2/ml.hpp"
#include<iostream>

using namespace std;
using namespace cv;
using namespace ml;


void predict_mat(Mat img, Ptr<ANN_MLP>net)//预测函数
{
    imshow("text", img);//检测图片
    Mat dst,output;
    resize(img, dst, Size(8, 8));//裁剪8 ×8的大小
    normalize(dst, dst, 0, 255, NORM_MINMAX);//0-255范围
    Mat_<float> testMat(1, 64);//将8*8=64个像素装入这个一维向量中
    for (int i = 0; i < 64; i++)
    {
        testMat.at<float>(0, i) = (float)dst.data[i];
    }
    //使用训练好的MLP model预测测试图像
   float a = NULL;
   a= net->predict(testMat, output);
  // cout <<"0是闭眼，1是睁眼" << endl << "预测值：" << a << endl;
    if (a==0)
    {
        cout << "测试结果：闭眼" << endl ;
    }
    else//o是闭眼，1是睁眼
    {
        cout << "测试结果：睁眼" << endl ;
    }
}

int main()
{
    const int img_W = 8;
    const int img_H = 8;
    const int img_class = 2;
    const int img_sum = 400;
    float training_data[img_class * img_sum][img_W * img_H] = { {0} };//把图像的每个像素装入二维数组的每一行中，其中每一行就是一幅图片
    float labels[img_class * img_sum][img_class] = { {0} };//标签也要是二维数组，它的每一行都是一幅图片的标签值
    
    //图片数据装入
       Mat src, resize_img, train_img;
    	for (int i=0;i< img_class * img_sum;i++)
    	{
    		//读入图片并处理
            string img_path= format("C:/Users/xiao-xu/Pictures/ANN_IMG/%d.jpg", i);//图片地址
            src = imread(img_path,CV_32FC1);//读入图片
    		resize(src, resize_img, Size(img_W, img_H));//裁剪8 ×8的大小
    		normalize(resize_img, train_img, 0, 255, NORM_MINMAX);//归一化0-255范围
    		//装入数组
    		for (int j=0;j< img_W * img_H;j++)
    		{
                training_data[i][j] = (float)train_img.data[j];//读入二维数组，数组的每一行都是一幅图片的数据
    		}
    	}

    //便签 0-399为0，400-799为1(o是闭眼，1是睁眼)
    for (int i = 0; i < img_class * img_sum; i++)
    {
        for (int j=0;j<img_class;j++)
        {
            if (i <= 399)
            {
                labels[i][j] = 0;
            }
            else
            {
                labels[i][j] = 1;
            }
        }
    }
    //数组转化成mat类型
    Mat labels_Mat(img_class * img_sum, img_class, CV_32FC1, labels);
    Mat trainingDataMat(img_class * img_sum, img_W * img_H, CV_32FC1, training_data);

//建立模型
Ptr<ANN_MLP> Net_5 = ANN_MLP::create(); 
// 共5层：输入层加3个隐藏层加一个输出层 (Mat_<int>(1, 5)，输入层神经元为8*8、隐藏层第一层神经元为128第二层神经元为128第三层神经元为64，输出层神经元为2(img_class)
 Mat layerSizes = (Mat_<int>(1, 5) << img_W * img_H, 128, 128, 64, img_class);
//设置各层的神经元个数
 Net_5->setLayerSizes(layerSizes);
// Net_5 模型创建和参数设置
 Net_5->setTrainMethod(ml::ANN_MLP::BACKPROP, 0.01, 0.9);//MLP的训练方法（ANN_MLP_TrainParams::BACKPROP-反向传播算法或ANN_MLP_TrainParams::RPROP -RPROP算法）(0.01, 0.9这2个参数很重要)
 Net_5->setActivationFunction(ml::ANN_MLP::SIGMOID_SYM); //激活函数
 Net_5->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER | TermCriteria::EPS, 10000, 0.0001));//训练算法的终止条件。可以指定最大迭代次数（maxCount）或迭代之间的误差变化大小（epsilon）
//开始训练模型
 Ptr<TrainData> trainData = TrainData::create(trainingDataMat, ROW_SAMPLE, labels_Mat);
 Net_5->train(trainData);
 //保存训练结果
//Net_5->save("H:\\net5xml\\Net_5.xml");
//预测图像
Mat text = imread("C:\\Users\\xiao-xu\\Pictures\\ANN_IMG\\1128.jpg", CV_32FC1);//这儿有问题，如果第二个参数改变预测结果会不准
 predict_mat(text, Net_5);

waitKey(0);
return 0;
}
//到这里闭眼和睁眼的检测算是完成了

总结：

原来我是想训练1600张图片的，但是图片太多使用静态内存结构就会报栈溢出，所有我减少了800张，训练效果嘛，还可以吧！这个模块除了二分类，还可以增加其他类别，如果类别多，检测的图片集也大，建议使用动态内存结构。

检测效果：