基于OpenCV的口罩佩戴检测

基于OpenCV的口罩佩戴检测
- 一、前期准备
- - 配置环境
  - 相关软件
- 二、样本准备
- - 样本数据集下载
  - 样本的预处理（提取）
- 三、训练
- 四、测试

基于OpenCV的口罩佩戴检测

一、前期准备

配置环境

整个环境是在 windows10 + OpenCV 3.4.15 + python 3.6.8
配置环境的话：可以按照这篇文章来

python需要安装 pandas库。

二、样本准备

样本数据集下载

我自己在网上搜罗了大概 6G 的数据集，有带口罩的，也有没带口罩的，包括知名数据集WIDER FACE数据集。
链接：百度网盘直达
提取码：YYDS

如果想直接跑训练，跳过样本预处理，可以下载我另外一份处理好的样本。
直达链接：opencv口罩人脸识别数据集+xml

机器都是笨笨的，举个例子：数据集下载下来就像是刚做好的饭，可是机器是婴儿，必须要把做好的饭先捣得稀碎他才好吃下去。
因此必须要先对数据集进行预处理（捣碎）。

刚下载下来的数据集是这样的：

样本的预处理（提取）

原始的数据集内的图片干扰因素很多，需要先进行第一次的筛选。比如要把带口罩的人脸之外的部分剔除掉。

这里取了一个巧，用OpenCV自带的分类器（其实是不能分类口罩的）先对所有数据集处理一遍，里面也会出现一些戴口罩的结果，就从这些处理后的结果中选择有口罩的作为正样本，没有口罩的作为负样本。
提取出来之后，还要将一些不符合正样本和负样本的错误的样本剔除掉。
最终的结果就像上面的一样。

接下来是详细的操作：
1.将所有照片的命名统计到Excel表格，这样便于循环遍历读取处理每一张照片。操作方法是：打开cmd，使用cd 指令进所有照片的上级目录，然后敲下面的命令：

dir /b/s/p/w *.jpg > pos.txt

这条命令会在文件夹下生成一个pos.txt文件

2.将txt文件里的内容，新建一个Excel文件，并复制进去，并在第一列第一行写names。

然后用python处理
！！！这里注意，python处理Excel文件需要xlrd库，而新版的xlrd库是不支持.xlsx文件的，只支持.xls文件，因此这里需要安装老版本的xlrd库：

pip uninstall xlrd
pip install xlrd==1.2.0

3.用python批量处理：
这里需要先在OpenCV目录下把分类器文件(haarcascade_frontalface_default.xml)拷到需要处理的图片文件夹下，方便操作。

在需要处理的文件夹下，新建一个1.py(名字随便起，取1.py方便找)文件，
目录需要自己修改，按照自己的目录结构
最好单独新建一个文件夹，来保存处理后的样本

文件夹内容如下：

代码如下：

import pandas as pd
import cv2
names=pd.read_excel('data\\imgName.xlsx')['names']# 读取所有照片名字,这里填入自己新建的Excel文件目录和名字
i=100000 #用于重新命名
for imagepath in names:#读取图片img = cv2.imread(imagepath)#转成灰度gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#人脸识别器detector = cv2.CascadeClassifier('haarcascades\\haarcascade_frontalface_default.xml')#这里是分类器的文件路径和名字#获取人脸位置faces = detector.detectMultiScale(gray, 1.1, 5)for (x, y, w, h) in faces:#裁减图片gray = gray[y:y+h,x:x+w]  # 裁剪坐标为[y0:y1, x0:x1]#如果人脸不为空try:# 保存裁减后的灰度图cv2.imwrite('C:\\aaa\\mask\\gray1\\'+str(i)+'.jpg', gray)#输出处理后图片的文件夹位置# cv2.waitKey(3000)i += 1except:print()

在IDE中运行一下就可以得到输出的图片了。

然后再去你的输出目录看，就能发现经过一次筛选的图片了。

！！注意，这里面会有一些分类器错误识别的图片（比如把卡通人物识别成人），把这些图片剔除后。
再在这些图片中把戴口罩的和没带口罩的分开，分别新建neg（负样本，没带口罩）和pos（戴口罩）的文件夹里。

然后调整正样本的分辨率：OpenCV官方推荐的正样本是20X20的分辨率。同样用python来实现，和上面很相似，代码如下：

import pandas as pd
import cv2for n in range(1,1000):#正样本的数量1000张就是1,1000path='\\图片路径\\'+str(n)+'.jpg' #正样本的路径# 读取图片img = cv2.imread(path)img=cv2.resize(img,(50,50))cv2.imwrite('\\输出路径\\' + str(n) + '.jpg', img) #输出路径n += 1

在执行这一句之前，推荐用图片工厂统一重命名，从1开始，方便程序进行。

最终的结果：

负样本不用管，也可以处理成50X50的，反正要比正样本的分辨率高，这样不容易出错（不然可能会遇到奇奇怪怪的报错）。

数据集的处理完全看个人，想要效果好一点的话，可以多处理一些样本，比如对称扩充，旋转扩充。最终大概准备正样本：负样本=1:3 即可。

三、训练

然后去OpenCV的目录下，把opencv_createsamples.exe，opencv_traincascade.exe，opencv_world3415.dll，opencv_world3415d.dll都拷贝到一个单独的文件夹下，后面两个可能由于OpenCV版本不同而名字不同。

再把刚才处理好的neg文件夹和pos文件夹也拷贝过来。然后新建一个xml文件夹（放训练器中途的临时文件和最后的分类器文件）。

然后按照上面一样的步骤，利用dir /b/s/p/w *.jpg > pos.txt命令，在pos文件夹里的图片名字都保存到pos.txt，neg文件夹同理。

然后统一在pos.txt的每一行后面加上1 0 0 20 20 ，前三个数字不管，20 20是分辨率。neg.txt文件不用加！！！加了要报错！！！ 报错参考：traincascade报错

最后结果像这样：
（这一步可以用word里的替换，把jpg替换成jpg 1 0 0 20 20）

然后用cmd，在这个文件夹里运行

opencv_createsamples.exe -vec pos.vec -info pos.txt -num 700 -w 20 -h 20

-info，指样本说明文件
-vec，样本描述文件的名字及路径
-num，总共几个样本，要注意，这里的样本数是指标定后的20x20的样本数，而不是大图的数目，其实就是样本说明文件第2列的所有数字累加
-w -h指明想让样本缩放到什么尺寸。

最后一步：创建一个traincascade.bat文件，右键编辑，内容如下：

opencv_traincascade.exe -data xml -vec pos.vec -bg neg.txt -numPos 600 -numNeg 1000 -numStages 20 -w 20 -h 20 -mode ALLpause

-data：指定保存训练结果的文件夹；
-vec:指定正样本集；
-bg:指定负样本的描述文件夹；
-numPos：指定每一级参与训练的正样本的数目要 小于正样本总数；
-numNeg:指定每一级参与训练的负样本的数目 可以大于负样本图片的总数；
-numStage:训练的级数，一般是 13-20级，越大越久，效果越好；
-w:正样本的宽；
-h:正样本的高；
-minHitRate:每一级需要达到的命中率（一般取值0.95-0.995）；
-maxFalseAlarmRate:每一级所允许的最大误检率，越小训练得越久，效果越好，默认0.5；
-mode:使用Haar-like特征时使用，可选BASIC、CORE或者ALL，默认ALL；

双击运行，就开始训练了。关于训练的其他问题可以参考这篇文章

四、测试

训练完成之后，会在xml文件夹中看到cascade.xml文件，这就是我们需要的分类器文件了。

测试代码：

import cv2
detector= cv2.CascadeClassifier('C:\\Users\\asus\\AppData\\Local\\Programs\\Python\\Python35\\Lib\\site-packages\\cv2\\data\\haarcascade_frontalface_default.xml')#人脸识别分类器
mask_detector=cv2.CascadeClassifier('D:\\facemask\\mask\\xml\\cascade.xml')#口罩识别分类器
cap = cv2.VideoCapture(0)
while True:ret, img = cap.read()gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)faces = detector.detectMultiScale(gray, 1.1, 3)for (x, y, w, h) in faces:face=img[y:y+h,x:x+w]mask_face=mask_detector.detectMultiScale(gray, 1.1, 5)for (x2,y2,w2,h2) in mask_face:cv2.rectangle(img, (x2, y2), (x2 + w2, y2 + h2), (0, 0, 255), 2)cv2.imshow('Mask Detector', img)cv2.waitKey(3)
cap.release()
cv2.destroyAllWindows()

有口罩

没口罩

OpenCV 口罩佩戴检测相关推荐

CV新赛事：口罩佩戴检测
点击我爱计算机视觉标星,更快获取CVML新技术本文转自实时奖金竞赛社区FlyAI. 国家卫生健康委疾控局近日发布了<预防新型冠状病毒感染的肺炎口罩使用指南>,指南中明确指出口罩是预防呼吸 ...
基于PyTorch+YOLOv4的口罩佩戴检测，附数据集
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程公众号:datayx 本项目是利用YOLOv4进行口罩佩戴检测,使用PyTorch实现.虽然现在国内疫情基本得到有效 ...
目标检测论文解读复现之十八：基于注意力机制的光线昏暗条件下口罩佩戴检测
前言此前出了目标改进算法专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读最新目标检测算法论文,帮 ...
基于YOLOv5的口罩佩戴检测方法
摘要正确的佩戴口罩对现阶段有效减低人员之间感染新型冠状病毒具有重要意义.基于YOLOv5在图像识别检测领域的优异性能,本文研究基于基于YOLOv5的口罩佩自动戴检测方法.首先从网络和真实生活中中寻 ...
基于Python实现的口罩佩戴检测
口罩佩戴检测一题目背景 1.1 实验介绍今年一场席卷全球的新型冠状病毒给人们带来了沉重的生命财产的损失.有效防御这种传染病毒的方法就是积极佩戴口罩.我国对此也采取了严肃的措施,在公共场合要求人们 ...
使用YOLOv5实现人脸口罩佩戴检测（详细）
前言最近把李沐大神<动手学深度学习v2>的目标检测部分学完了,就想找一个项目练练手,学以致用嘛,觉着人脸口罩佩戴检测比较符合当下时代背景,所以就选择了这个项目,也是前几天刚刚完成的,写下 ...
基于YOLOv3的口罩佩戴检测
摘要为解决市民口罩佩戴目标检测中因小尺寸目标较多导致其识别精度不高的问题,提出一种基于 YOLOv3改进的算法 M＿YOLOv3.重构特征金字塔机制,把原本3*3的类金字塔结构扩建为4*4尺寸,把 ...
视频教程-YOLOv4目标检测实战：人脸口罩佩戴检测-计算机视觉
YOLOv4目标检测实战:人脸口罩佩戴检测大学教授,美国归国博士.博士生导师:人工智能公司专家顾问:长期从事人工智能.物联网.大数据研究:已发表学术论文100多篇,授权发明专利10多项白勇 ¥88 ...
视频教程-Windows版YOLOv4目标检测实战：人脸口罩佩戴检测-计算机视觉
Windows版YOLOv4目标检测实战:人脸口罩佩戴检测大学教授,美国归国博士.博士生导师:人工智能公司专家顾问:长期从事人工智能.物联网.大数据研究:已发表学术论文100多篇,授权发明专利10多 ...

OpenCV 口罩佩戴检测