нейроные сети в OpenCV

[astrgan 2]

Здравствуйте.

Подскажите какой-нибудь пример с использованием нейронных сетей из библиотеки OpenCV.

[Smorodov 579]

Здравствуйте.

Подскажите какой-нибудь пример с использованием нейронных сетей из библиотеки OpenCV.

points_classifier.cpp из папки с примерами.

Список классификаторов:

#define _NBC_ 0 // normal Bayessian classifier

#define _KNN_ 0 // k nearest neighbors classifier

#define _SVM_ 0 // support vectors machine

#define _DT_ 1 // decision tree // Это отключить

#define _BT_ 0 // ADA Boost

#define _GBT_ 0 // gradient boosted trees

#define _RF_ 0 // random forest

#define _ERT_ 0 // extremely randomized trees

#define _ANN_ 0 // artificial neural networks // Это подключить

#define _EM_ 0 // expectation-maximization

[astrgan 2]

Если использовать нейросеть для распознавания изображений (с предварительной обработкой на OpenCV), то какой библиотекой лучше пользоваться?

OpenCV или какой-нибудь другой?

[mrgloom 242]

Попробуйте сначала то, что из opencv, т.к. ничего дополнительно подключать не надо и если у вас не какая то специфическая задача где надо дополнительной гибкости, то думаю за глаза хватит.

[astrgan 2]

Что-то не могу до конца разобраться.

Может кто-нибудь покажет как например в opencv создать сеть решающею XOR?

[Smorodov 579]

Это для XOR, если больше 0.5 - это TRUE если меньше - FALSE.

#include <iostream>
#include <stdio.h>
#include "opencv2/opencv.hpp"
#include <iostream>
#include <fstream>
using namespace std;
using namespace cv;
int main(void)
{
Mat trainSamples, trainClasses;
// Матрица обучающих векторов 4 двухмерных вектора
trainSamples=Mat::zeros(4,2,CV_32FC1);
// Матрица желаемых откликов 1 одномерный вектор
trainClasses=Mat::zeros(4,1,CV_32FC1);

// Заполняем векторы для задачи XOR
int N=0;
for(int x=0;x<2;++x)
{
for(int y=0;y<2;++y)
{
trainSamples.at<float>(N,0)=x;
trainSamples.at<float>(N,1)=y;
trainClasses.at<float>(N,0)=x^y;
N++;
}
}
// Весовые коэффициенты входных векторов ("важность" каждого входного вектора)
// Зададим равную важность всем векторам выборки
Mat weights( 1, 4, CV_32FC1, Scalar::all(1) );

// Архитектура сети
Mat layer_sizes( 1, 3, CV_32SC1 );
layer_sizes.at<int>(0) = 2; // Входной слой, по количеству измерений входного вектора
layer_sizes.at<int>(1) = 3; // Скрытый слой
layer_sizes.at<int>(2) = 1; // Выходной слой по количеству выходов сети

// Создаем сеть
CvANN_MLP ann( layer_sizes, CvANN_MLP::SIGMOID_SYM, 1, 1 );
// Обучаем сеть
ann.train( trainSamples, trainClasses, weights);

// -------------
// ТЕСТИРОВАНИЕ
// -------------
// Тестовый пример
Mat testSample;
// Тут будет ответ
Mat outputs( 1, 1, CV_32FC1);

// Прогоняем по всей обучающей выборке, и смотрим реакцию
for(int i=0;i<4;++i)
{
testSample=trainSamples.row(i);
ann.predict( testSample, outputs );
cout << testSample << outputs << endl;
}
// Все, ждем кнопку ...
getchar();
return 0;
}

И еще обучалка/вопрошалка классификатора циферок/буковок (в примере на 4 символа):

#include "opencv2/opencv_modules.hpp"
#include "opencv2/core/core.hpp"
#include "opencv2/ml/ml.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/opencv.hpp"
#include <windows.h>
#include <stdio.h>

using namespace std;
using namespace cv;
//----------------------------------------------------------------------
// Получаем список файлов из директории
// Применение:
// string ImagesDir=tmp+"C:\\Images\\*.jpg";
// vector<string> files=listFilesInDirectory(ImagesDir);
//----------------------------------------------------------------------
vector<string> listFilesInDirectory(string directoryName)
{
WIN32_FIND_DATA FindFileData;
HANDLE hFind = FindFirstFile(directoryName.c_str(), &FindFileData);
vector<string> listFileNames;
listFileNames.push_back(FindFileData.cFileName);

while (FindNextFile(hFind, &FindFileData))
listFileNames.push_back(FindFileData.cFileName);

return listFileNames;
}
//----------------------------------------------------------------------
// 
//----------------------------------------------------------------------
int main()
{
// Высота и ширина символа
int digit_w=11;
int digit_h=14;
// Размерность вектора обучающей выборки
const int image_area = digit_w*digit_h;

// Директория в которой лежат поддиректории с картинками
string DataDir="..\\data\\";

// Список названий поддиректорий с примерами
vector<string> DirNames;
DirNames.push_back("0");
DirNames.push_back("1");
DirNames.push_back("2");
DirNames.push_back("3");

// Формируем список путей к изображениям и заполняем метки классов
int num_img=0;
vector<string> files_plain_list;
vector<int> files_label_list;
for (int i=0;i<DirNames.size();++i)
{
DirNames[i]=DataDir+DirNames[i]+"\\";
vector<string> files_tmp(listFilesInDirectory(DirNames[i]+"*.png"));
num_img+=files_tmp.size();
files_plain_list.insert(files_plain_list.end(), files_tmp.begin(), files_tmp.end());

for(int j=0;j<files_tmp.size();++j)
{
files_label_list.push_back(i);
}
}

// Матрица обучающих векторов
cv::Mat training_mat(num_img,image_area,CV_32FC1);
// Матрица меток классов
cv::Mat labels=Mat::zeros(num_img,DirNames.size(),CV_32FC1);
// Временная матрица для преобразований
cv::Mat tmp_img;

int count = 0;
string Dir;
vector<string>::const_iterator i;
for (i = files_plain_list.begin(); i != files_plain_list.end(); ++i)
{
// Узнали метку класса
int class_label=files_label_list[i-files_plain_list.begin()];
// Узнали директорию, где лежат векторы этого класса
Dir=DirNames[class_label];
// Номер метки для каждого входного вектора
labels.at< float >(count, class_label) = 1;
// Выведем что получилось (имена файлов с директориями)
cout << Dir +*i << endl;
// Считаем изображение
tmp_img = cv::imread( Dir +*i, 0 );
// Ресайзим под заданный размер входного вектора
cv::resize( tmp_img, tmp_img, Size(digit_w,digit_h) );
// Вытягиваем в одну строку
tmp_img = tmp_img.reshape( 1, 1 );
// Переводим в тип float
tmp_img.convertTo( training_mat.row(count), CV_32FC1 );
// Следующий ...
++count;
}

// Архитектура сети. Создадим трехслойную сеть.
Mat layer_sizes1( 1, 3, CV_32SC1 );
// По размеру входного вектора
layer_sizes1.at<int>(0) = image_area;
// Ну, так мне захотелось
layer_sizes1.at<int>(1) = image_area/10.0;
// По количеству классов
layer_sizes1.at<int>(2) = DirNames.size();

// Все векторы равнозначны, ущербных данных нет
Mat weights( 1, training_mat.rows, CV_32FC1, Scalar::all(1) );
// Создаем и обучаем сеть
CvANN_MLP ann( layer_sizes1, CvANN_MLP::SIGMOID_SYM, 1, 1 );
ann.train( training_mat, labels, weights );
// Сохраняем сеть
ann.save("recog.xml");

// Тестируем сеть
Mat outputs;
ann.predict(training_mat,outputs);
cout << outputs << endl;

// Ждем кнопку ...
getchar();

return 1;
}

[astrgan 2]

Smorodov

Спасибо большое)