def __init__(self, detector, extractor, keywords, root=os.path.dirname(__file__)+os.path.sep+"imm"+os.path.sep, estension=".jpg"): #def __init__(self, detector, extractor, keywords, root="./imm2/", estension=".jpg"): super(FeaturesFile, self).__init__() self.detector = detector self.extractor = extractor self.keywords = keywords self.root = root self.estension = estension if detector== "HOG" and extractor == "HOG": self.obj = HOG() else: self.obj = detectAndExtract(detector,extractor)
1. Creazione oggetto obj della classe per la rilevazione delle FEATURES 2. Scelta del percorso delle immagini, della keywords positiva, dell'estensione. 3. Vengono creati due diversi vettori: uno contiene la lista di tutte le immagini che vogliamo usare come esempi positivi (keywords), l'altro contiene lista di tutte le immagini per esempi negativi (no-keywords) 4. Viene chiamato il metodo elabora dell'obj per estrarre le features. Queste vengono salvate in un file csv (positivo e negativo) nella cartella della keywords 5. Vengono riletti i file Csv e salvati in un array 6. Viene costruito un file Target (0: positivo, 1: negativo). 7. Viene addestrato il modello con la cross_validation (Per prova RF) 8. Vengono mostrati a video gli errori del riconoscimento di esempi positivi e negativi """ # DETECTOR AND EXTRACTOR detector = "HARRIS" extractor = "SIFT" obj = detectAndExtract(detector,extractor) #obj = provaHOG() #cut_features = 30000 ## PREPROCESSING PERCORSI IMMAGINI fm = FileManager() root = "./imm/" keywords = "fish" estension = ".jpg" verbose=False file_positive = root+keywords+"/"+keywords+"_" + detector + "_" + extractor + "_positive.csv" file_negative = root+keywords+"/"+keywords+"_" + detector + "_" + extractor + "_negative.csv" print "Preprocessing Analisi Cartelle e Files" # List dir contiene tutte le cartelle della root img listDir = fm.listNoHiddenDir(root)
