cv::CascadeClassifier类在多次读取新版本xml模型时的错误及其修正

2024-04-21 08:08

本文主要是介绍cv::CascadeClassifier类在多次读取新版本xml模型时的错误及其修正,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

    偶然机会,试了试opencv中自带的人脸检测器,自带的haar和hog分类器xml文件读入时都不会有错误,但是在用lbp文件时发生了类似于vector越界的问题,找到了相应的vector,的确是这个提示,但是由于xml文件读取时只有一句load含税,调用的dll也无法跟进去浸提函数,也没有怀疑过opencv会出现错误。因此换了台电脑想用侥幸的办法试试,依旧是相同的问题。之后又想可能是我的opencv300版本来自民间,不稳定,难免会有bug,因此从别处copy另一版本的(opencv247)的lbpcascade_frontalface.xml文件,还是同样的问题,文件是一样的。。。然后又用opencv247建了新的工程,相同问题。。。好吧,看来可能opencv还真有问题。于是乎网上搜索,看到了类似问题的帖子 :http://blog.sina.com.cn/s/blog_4298002e010153hn.html。原文如下:

在现在的OpenCV版本中,使用级联分类器做人脸检测的时候,有两种选择:一是使用老版本的CvHaarClassifierCascade,一是使用新版本的CascadeClassifier类。老版本的分类器只支持类Haar特征,而新版本的分类器既可以使用Haar,也可以使用LBP特征。

    类CascadeClassifier中实际上封装了新旧两种分类器,对于老版本的xml模型文件,CascadeClassifier会用CvHaarClassifierCascade去解析,并用cvHaarDetectObjects去检测。而对于新版本的xml文件,CascadeClassifier会用自己的一套格式去解析。

    在程序的实现上,CascadeClassifier对老版本的xml文件读取很简单,所以不会出什么问题。但是对新版本的xml文件的读取,其实现上有很多缺陷。如果你用下面代码创建了一个分类器:

CascadeClassifier *pClassifier = new CascadeClassifier;

若在程序的使用中,不释放该对象,只是来回在Haar特征和LBP特征之间切换,比较两种特征检测人脸的效果,如下:

Mat matImage;
vector<Rect> objs;
pClassifier->load("haarcascade_frontalface_default.xml");

pClassifier->detectMultiScale(matImage, objs, 1.1, 3);

pClassifier->load("lbpcascade_frontalface.xml");

pClassifier->detectMultiScale(matImage, objs, 1.1, 3);

pClassifier->load("haarcascade_frontalface_default.xml");

pClassifier->detectMultiScale(matImage, objs, 1.1, 3);

pClassifier->load("lbpcascade_frontalface.xml");

pClassifier->detectMultiScale(matImage, objs, 1.1, 3);

那么程序会果断的崩溃,因为lbpcascade_frontalface.xml文件格式是新版本的。

    对于老版本的xml文件是不存在这个问题的。因为读取老版本文件时,程序是不会调用CascadeClassifier::read(const FileNode &root)函数的。这个函数只会在读取新版本xml文件时,在load()中被调用。

    read()函数之所以会导致程序崩溃,其原因是CascadeClassifier类有很多vector类型的成员变量,每次调用read()函数填充这些变量时,都没有清空这些变量,而直接往这些变量里push_back元素。如此一来这些vector的长度会随着read()的调用而不断增加。其中影响最明显的成员变量是:

vector<Stage> CascadeClassifier::stages

该变量的size决定了循环的次数。如果当前模型只有20个stage,但是上次读取xml时该变量没有清空,那么CascadeClassifier::stages的长度可能会变成40。于是当前检测人脸的时候会循环40次,但是模型实际上只有20个stage,循环次数超过20的时候,索引出来的其他变量可能就是无效的,从而导致下标越界,使程序崩溃。

    要修正这个bug实际上很简单,只需要在read()函数的开头添加如下代码,清空上次的数据即可:

 stages.clear();
 classifiers.clear();
 nodes.clear();
 leaves.clear();
 subsets.clear();
 feval.release();



   按照作者的思路,应当是需要把objdetect对应的文件夹中的源文件考到自己的工程中,然后,修改需要修改的部分,再与自己的程序一起编译即可。找了半天,终于找到了类似的地方,按照类似的方法改过,成功了。在文件cascadedetect.cpp中大概960行的位置,修改为:

bool CascadeClassifierImpl::load(const String& filename)
{oldCascade.release();data = Data();featureEvaluator.release();node.stages.clear();    //modify 20150505node.classifiers.clear();node.nodes.clear();node.leaves.clear();node.subsets.clear();FileStorage fs(filename, FileStorage::READ);if( !fs.isOpened() )return false;if( read_(fs.getFirstTopLevelNode()) )return true;fs.release();oldCascade.reset((CvHaarClassifierCascade*)cvLoad(filename.c_str(), 0, 0, 0));return !oldCascade.empty();
}


这篇关于cv::CascadeClassifier类在多次读取新版本xml模型时的错误及其修正的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/922573

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Android实现任意版本设置默认的锁屏壁纸和桌面壁纸(两张壁纸可不一致)

客户有些需求需要设置默认壁纸和锁屏壁纸  在默认情况下 这两个壁纸是相同的  如果需要默认的锁屏壁纸和桌面壁纸不一样 需要额外修改 Android13实现 替换默认桌面壁纸: 将图片文件替换frameworks/base/core/res/res/drawable-nodpi/default_wallpaper.*  (注意不能是bmp格式) 替换默认锁屏壁纸: 将图片资源放入vendo

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者