Object Detection: Membuat Classifier Anda Sendiri

Pendahuluan

Pada tutorial sebelumnya, kita sudah belajar bagaimana mendeteksi obyek mobil dengan Haarcascade Classifier. Pada tulisan ini, kita akan belajar bagaimana membuat classifier kita sendiri dengan kasus "Deteksi Compact Disk". Diharapkan setelah mempelajari tutorial ini, anda dapat menentukan sendiri obyek apapun yang akan anda deteksi.

Persiapan 

Software yang saya gunakan adalah:

1. Visual Studio 2010 
2. library OpenCV 2.4.11.
3. ObjectMarker
4. Cascade2xml

Langkah-langkah:

Berikut adalah langkah-langkah pembuatan classifier. Sesuaikan sendiri dengan path direktori anda.

1. Step: Pembuatan list negatif

Buat list foto background (negatif) yang sudah dalam format JPG dan greyscale dengan perintah: dir /b > negatif.txt dan jangan lupa bersihkan file negatif.txt dari dirinya sendiri (karena kata "negatif.txt" ada di dalamnya). Pastikan isi negatif.txt hanya daftar JPG gambar negatif anda. Lihat pada Gambar 1 berikut:

Berikan FullPath untuk setiap foto negatif yang sudah dibuat (gunakan file list_neg.bat) dengan perintah:

(for /F "delims=" %%L in (neg.txt) do @echo D:\DataJati\belajar_image_processing\negatif\jpg\%%L)>> negNew.txt

Edit lebih dulu dan sesuaikan folder path anda. Pada contoh gambar 2, saya meletakkan file background (negatif) di path: D:\DataJati\belajar_image_processing\negatif\jpg. Sesuaikan dengan path anda masing-masing.

Gambar 11a: Pembuatan tempat penampungan (direktori) classifier

Kemudian kita buat perintah untuk membuat classifier. Perhatikan gambar 11b

Gambar 11b: Perintah haartraining

Pada gambar 11b, saya menulisnya dengan enter agar tidak terlalu panjang saja. :)

Proses training-nya ditunjukkan pada gambar 11c sebagai berikut:

Gambar 11c: Proses Training

12. Step: Terbentuk training cascade

Pada tahap ini telah terbentuk file cascade yang berada di direktori classifier

 Gambar 12: Training Cascade

13. Step: Penyatuan file cascade menjadi cascade classifier lengkap

Pada tahap ini, kita akan menyatukan training cascade di langkah 12 supaya menjadi cascade classifier lengkap yang nantinya akan kita panggil di source code. Saya menggunakan tools convert cascade2xml yang dapat didownload di sini. 

Pertama kita pindahkan dulu isi classifier kita ke direktori data di aplikasi cascade2xml seperti pada gambar 13a.

 Gambar 13a: Pemindahan classifier ke data

Gambar 13b menunjukkan perintah konversi cascade2xml (perhatikan parameter h dan w-nya). Sesuaikan dengan langkah 9. Data merupakan direktori tempat classifier yang sudah kita pindahkan.

Gambar 13b: Proses penyatuan

Output dari cascade2xml adalah output.xml seperti ditunjukkan gambar 13a. File output inilah yang nanti dipanggil pada source pendeteksian obyek anda.

Implementasi

Setelah file classifier sudah kita dapatkan, berikut adalah source code pendeteksian obyek dalam file CPP.

#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"

#include <iostream>
#include <stdio.h>

using namespace std;
using namespace cv;

void deteksi_tampilkan( Mat frame );

String cascade_name = "E:\\cascade2xml\\output.xml";
CascadeClassifier cd_cascade;

string window_name = "Tampilkan - Deteksi Obyek";

int main( )
{
   CvCapture* ambilVideo;
   Mat frame;

   //-- 1. Panggil cascade

if( !cd_cascade.load( cascade_name ) ){ printf("--(!)Error loading\n"); system("PAUSE"); return -1; };

   //-- 2. Baca video

ambilVideo = cvCaptureFromCAM( 0 );
   if (!ambilVideo) {
       printf("Tidak dapat memanggil Kamera");
   }
   else
   {
       printf("Panggil Camera Sukses");
   }

   if( ambilVideo )
   {
     while( true )
     {
   frame = cvQueryFrame( ambilVideo );

   //-- 3. Terapkan classifier ke Frame Video

       if( !frame.empty() )
       { deteksi_tampilkan( frame ); }
       else
       { printf(" --(!) Tidak ada Frame -- Berhenti!"); break; }

       int c = waitKey(10);
       if( (char)c == 'c' ) { break; }
      }
   }
   return 0;
 }

//-- Fungsi deteksi_tampilkan

void deteksi_tampilkan( Mat frame )
{
  std::vector<Rect> obyek;
  Mat frame_gray;

  cvtColor( frame, frame_gray, CV_BGR2GRAY );
  equalizeHist( frame_gray, frame_gray );

  //-- Deteksi obyek

cd_cascade.detectMultiScale( frame_gray, obyek, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30) );

  for( size_t i = 0; i < obyek.size(); i++ )
  {
    Point center( obyek[i].x + obyek[i].width*0.5, obyek[i].y + obyek[i].height*0.5 );
    ellipse( frame, center, Size( obyek[i].width*0.5, obyek[i].height*0.5), 0, 0, 360, Scalar( 255, 0, 255 ), 4, 8, 0 );
  }

  //-- Tampilkan Pendeteksian
imshow( window_name, frame );
}

Hasil

Note:

Penting untuk menjadi perhatian, banyaknya file positif, negatif dan jumlah stage dalam proses training akan sangat berpengaruh pada ketepatan pendeteksian obyek yang anda lakukan. Permasalahannya, semakin banyak file positif, negatif dan jumlah stage akan memperpanjang waktu yang diperlukan untuk melakukan haartraining. Jadi siapkan cemilan dan tempat duduk yang nyaman saat melakukan haartraining.

Referensi

https://www.cs.auckland.ac.nz/~m.rezaei/Tutorials/Creating_a_Cascade_of_Haar-Like_Classifiers_Step_by_Step.pdf

Selamat mencoba