“柳子澍”版本间的差异
来自iCenter Wiki
（更新） |
（更新） |
||
| 第7行： | 第7行： | ||
*进一步熟悉了对PYNQ的操作，通过外界模块实现了对光强的测量 | *进一步熟悉了对PYNQ的操作，通过外界模块实现了对光强的测量 | ||
*初步接触opencv，将样例程序烧写至PYNQ，实现了对图像的捕捉和人脸检测 | *初步接触opencv，将样例程序烧写至PYNQ，实现了对图像的捕捉和人脸检测 | ||
| − | + | <center> | |
| − | *安装opencv和python- | + | <gallery> |
| + | 文件:WechatIMG35.png|<small>面部识别图</small><br> | ||
| + | </gallery> | ||
| + | </center> | ||
| + | *安装opencv和python-opencv，并简单地进行了图像识别的尝试 | ||
| + | <div style="text-indent:2em"> | ||
| + | <p>以开源图片训练集[http://www-cvr.ai.uiuc.edu/ponce_grp/data/]中的100张犀鸟图片作为正样本，[https://download.csdn.net/download/a201c501ys/6951971]中截取的300图片作为负样本</p> | ||
| + | <p>使用opencv自带的opencv_createsamples命令和opencv_traincascade（opencv_haartraining未成功使用）命令，具体参数为：<br> | ||
| + | opencv_createsamples: -num 100 -w 60 -h 60<br> | ||
| + | opencv_traincascade: -numPos 40 -numNeg 600 -numStages 5 -w 60 -h 60 -minHitRate 0.98 -maxFalseAlarmRate 0.5 -weightTrimRate 0.95 -maxDepth 1 -mode ALL</p> | ||
| + | <p>尝试中发现正样本图像的规格达到150*150像素时，训练过程无法正常进行（磁盘迅速被占用），故最后使用100张60*60像素的正样本，并参考网上建议使用了300张负样本。实际上训练过程中-numPos参数仍然过大，使得训练两级后正样本即使用完毕，训练结果并不理想。</p> | ||
| + | <p>训练测试结果如下，可见其可以在某些情况下实现对“鸟类”（而非犀鸟）的识别，但仍会出现极大误差（甚至无法识别犀鸟）。</p> | ||
| + | <center> | ||
| + | <table> | ||
| + | <tr> | ||
| + | <td> | ||
| + | <center> | ||
| + | <gallery> | ||
| + | 文件:Bird-1.png|<small>鸟类识别图1-啄木鸟</small><br> | ||
| + | </gallery> | ||
| + | </center> | ||
| + | </td> | ||
| + | <td> | ||
| + | <center> | ||
| + | <gallery> | ||
| + | 文件:Bird-2.png|<small>鸟类识别图2-犀鸟</small><br> | ||
| + | </gallery> | ||
| + | </center> | ||
| + | </td> | ||
| + | <td> | ||
| + | <center> | ||
| + | <gallery> | ||
| + | 文件:Plane-1.png|<small>鸟类识别图3-飞机</small><br> | ||
| + | </gallery> | ||
| + | </center> | ||
| + | </td> | ||
| + | </tr> | ||
| + | </table> | ||
| + | </center> | ||
| + | </div> | ||
2018年7月23日 (一) 16:28的版本
2018年7月20日 第一天
- 成功安装Android Studio及其Android SDK，并将GitLab上的androidAudioRecg[1] 项目下载并安装到提供的Android平板上。
- 以自己为声源，对androidAudioRecg项目所需的训练集进行了扩充
- 初步了解了PYNQ的使用方法，尝试编写了一个LED灯计数的程序并进行了烧写
2018年7月23日 第二天
- 进一步熟悉了对PYNQ的操作，通过外界模块实现了对光强的测量
- 初步接触opencv，将样例程序烧写至PYNQ，实现了对图像的捕捉和人脸检测
面部识别图
- 安装opencv和python-opencv，并简单地进行了图像识别的尝试
以开源图片训练集[2]中的100张犀鸟图片作为正样本，[3]中截取的300图片作为负样本
使用opencv自带的opencv_createsamples命令和opencv_traincascade（opencv_haartraining未成功使用）命令，具体参数为：
opencv_createsamples: -num 100 -w 60 -h 60
opencv_traincascade: -numPos 40 -numNeg 600 -numStages 5 -w 60 -h 60 -minHitRate 0.98 -maxFalseAlarmRate 0.5 -weightTrimRate 0.95 -maxDepth 1 -mode ALL
尝试中发现正样本图像的规格达到150*150像素时，训练过程无法正常进行（磁盘迅速被占用），故最后使用100张60*60像素的正样本，并参考网上建议使用了300张负样本。实际上训练过程中-numPos参数仍然过大，使得训练两级后正样本即使用完毕，训练结果并不理想。
训练测试结果如下，可见其可以在某些情况下实现对“鸟类”（而非犀鸟）的识别，但仍会出现极大误差（甚至无法识别犀鸟）。
|
|
|
