O Cascade Classifier é um algoritmo de detecção de objetos implementado na biblioteca OpenCV. Ele é usado para detectar objetos específicos em imagens ou fluxos de vídeo, com base em padrões visuais previamente treinados.

O Cascade Classifier utiliza uma técnica chamada Classificador de Características em Cascata, que é uma abordagem eficiente para detecção de objetos em tempo real. Esse método é baseado no uso de um grande número de características simples (ou fracos classificadores) organizados em cascata.

O treinamento de um Cascade Classifier envolve várias etapas:

Preparação do conjunto de treinamento: É necessário coletar um grande conjunto de imagens positivas que contenham o objeto de interesse e um conjunto de imagens negativas que não contenham o objeto. Essas imagens são usadas para extrair as características necessárias para o treinamento do classificador.
Extração de características: As imagens positivas e negativas são processadas para extrair características relevantes, que podem ser formas, texturas ou outros atributos visuais distintivos do objeto que se deseja detectar.
Treinamento inicial: O treinamento começa com um classificador simples, que é treinado para distinguir entre as características positivas e negativas. Isso envolve o ajuste de pesos e parâmetros para otimizar a detecção e minimizar os falsos positivos e negativos.
Treinamento em cascata: Nesta etapa, o classificador inicial é refinado em várias iterações. Cada iteração consiste em testar o classificador atualizado em um conjunto de imagens positivas e negativas. Durante o processo, as características irrelevantes são eliminadas, e os classificadores subsequentes são treinados com mais detalhes e precisão.
Ajuste de limiares: Após o treinamento, são realizados ajustes nos limiares de detecção para equilibrar a sensibilidade e a especificidade do classificador. Isso permite definir o quão rígida ou permissiva será a detecção do objeto.

Uma vez que o Cascade Classifier é treinado, ele pode ser usado para detectar objetos em novas imagens ou fluxos de vídeo. A detecção ocorre percorrendo a imagem em várias escalas e posições, aplicando os classificadores em cascata e verificando se os padrões visuais correspondentes são encontrados. Quando um objeto é detectado, um retângulo delimitador é desenhado ao redor dele.

O Cascade Classifier é amplamente utilizado em várias aplicações, como detecção de rostos, detecção de veículos, reconhecimento de objetos, entre outros, devido à sua eficiência e precisão.

import cv2

# Carregar o classificador pré-treinado para detecção de rostos
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# Carregar a imagem
image = cv2.imread('image.jpg')

# Converter a imagem para escala de cinza
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Realizar a detecção de rostos na imagem
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

# Desenhar retângulos ao redor dos rostos detectados
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)

# Exibir a imagem com os rostos detectados
cv2.imshow('Faces Detectadas', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Neste exemplo, o código carrega o classificador Haar Cascade pré-treinado para detecção de rostos (arquivo haarcascade_frontalface_default.xml). Em seguida, a imagem é carregada e convertida para escala de cinza. A detecção de rostos é realizada utilizando o método detectMultiScale do Cascade Classifier, que retorna as coordenadas dos retângulos delimitadores dos rostos detectados. Esses retângulos são então desenhados na imagem original.

Finalmente, a imagem com os rostos detectados é exibida em uma janela. Pressionar qualquer tecla fecha a janela.

Lembre-se de substituir 'image.jpg' pelo caminho e nome do arquivo de imagem que você deseja usar para detecção de rostos.

Detecção de Objetos com OpenCV - Tutorial

Este repositório contém um tutorial sobre como realizar detecção de objetos utilizando a biblioteca OpenCV. Neste tutorial, você aprenderá como criar um conjunto de imagens positivas e negativas, realizar a marcação dos objetos de interesse e treinar um classificador Haar Cascade.

Pré-requisitos

Antes de começar, certifique-se de ter as seguintes dependências instaladas:

Python (versão X.X.X)
OpenCV (versão X.X.X)
Numpy (versão X.X.X)

Passo 1: Preparação das Imagens

Crie as imagens positivas que contêm os objetos a serem detectados e marque-os com uma checkbox.
Crie as imagens negativas em preto e branco sem o objeto a ser detectado.

Certifique-se de que as imagens positivas estejam na pasta positive/raw e as imagens negativas na pasta negative.

Passo 2: Preenchendo o arquivo `bg.txt`

Execute o arquivo create_list.bat para preencher o arquivo bg.txt com o nome das imagens negativas.

Passo 3: Recortando as Imagens Positivas

Na pasta positive, execute o arquivo objectmarker.exe.
Selecione a parte da imagem que deseja reconhecer. Pressione a tecla de espaço para salvar a detecção.
Repita o processo de seleção para cada objeto nas imagens. Pressione Enter para pular as imagens sem objetos.

Passo 4: Criação dos Amostras

Volte para a pasta principal e execute o arquivo 01_samples_creation.bat. Isso criará arquivos na pasta vector.

Passo 5: Treinamento do Classificador

Certifique-se de que a pasta cascades esteja limpa.
Abra o arquivo 02_harrtraining.bat em um editor de texto.
Altere os parâmetros -nneg e -npos para o número de imagens negativas e positivas, respectivamente.
Salve as alterações e execute o arquivo 02_harrtraining.bat.

Passo 6: Conversão do Classificador

Após o treinamento, execute o arquivo 03_convert.bat. Isso gerará o arquivo .xml do classificador.

Parabéns! Agora você tem um classificador Haar Cascade treinado para detecção de objetos. Você pode utilizar esse classificador em seus projetos com o OpenCV.

Recursos Adicionais

Para um tutorial mais detalhado sobre o processo de detecção de objetos com o OpenCV, confira o vídeo tutorial disponível aqui.

RonielNunes/cascade_classifier