- 更多分享：www.cherylgood.cn
介绍
OpenCV提供了两个程序可以训练自己的级联分类器：
opencv_haartraining。
opencv_traincascade。（新版本的opencv中只存在该分类器）
opencv_traincascade是一个新程序，使用OpenCV 2.x API 以C++编写。
这二者主要的区别是opencv_traincascade支持 Haar和 LBP (Local Binary Patterns)两种特征，并易于增加其他的特征。与Haar特征相比，LBP特征是整数特征，因此训练和检测过程都会比Haar特征快几倍。
注：Haar： Haar特征分类器就是一个XML文件，存放在OpenCV安装目录中的\data\ haarcascades目录下；LBP是本地二进制模型
LBP和Haar特征用于检测的准确率，是依赖训练过程中的
训练数据的质量和训练参数。训练一个与基于
Haar特征同样准确度的LBP的分类器是可能的。与其他分类器模型的训练方法类似，同样需要训练数据与测试数据；其中训练数据包含正样本pos与负样本neg。
-
训练程序opencv_haartraining.exe与opencv_traincascade.exe对输入的数据格式是有要求的，所以需要相关的辅助程序：
- opencv_createsamples 用来准备训练用的正样本数据和测试数据。其能够生成能被opencv_haartraining 和 opencv_traincascade 程序支持的正样本数据。它的输出为以 *.vec 为扩展名的文件，该文件以二进制方式存储图像。
实战演练
opencv级联分类器训练与测试可分为以下四个步骤：
- 1、准备训练数据
- 2、训练级联分类器
- 3、测试分类器性能
- 4、使用训练好的分类器进行目标检测
操作步骤
1、准备正样本
- 正样本由opencv_createsamples生成。正样本可以由包含待检测物体的一张图片生成，也可由一系列标记好的图像生成。
- 1、首先提前准备好已经处理过得正样本图片（可根据实际情况进行图片去噪声等处理，提高精度）
- 2、生成pos.dat文件，文件格式如下
| 第一列 | 第二列 | 第三列 | 第四列 | 第五列 | 第六列 |
|---|---|---|---|---|---|
| 图片名 | 图片中包含的 物体实例数 |
目标区域x值 | 目标区域y值 | 图片宽 | 图片高 |
| xxx.png | 1 | 0 | 0 | 16 | 16 |
注：图片名为相对路径,后面五列根据实际情况填写。可通过脚本代码读取文件生成该文件，（我已写好一份，需要可给我留言）
pos.dat文件的生成方式： 在dos窗口进入pos文件夹，输入dir /b > pos.dat ; 这样只能生成文件名列表，后面的正样本个数与位置尺寸还需手动添加
-
3、调用
opencv_createsamples.exe程序根据pos.dat创建pos.vec文件.opencv_createsamples.exe -info pos.dat -vec pos.vec -num 2327 -w 19 -h 23
opencv_createsamples.exe程序的命令行参数解析:
| 参数名 | 描述 |
|---|---|
| -info < collection_file_name > | 描述物体所在图像以及大小位置的描述文件。 |
| -vec < vec_file_name> | 输出文件，内含用于训练的正样本。 |
| -img < image_file_name> | 输入图像文件名（例如一个公司的标志）。 |
| -bg< background_file_name> | 背景图像的描述文件，文件中包含一系列的图像文件名，这些图像将被随机选作物体的背景。 |
| -num< number_of_samples> | 生成的正样本的数目。 |
| -bgcolor < background_color> | 背景颜色（目前为灰度图）；背景颜色表示透明颜色。因为图像压缩可造成颜色偏差，颜色的容差可以由-bgthresh指定。所有处于bgcolor-bgthresh和bgcolor+bgthresh之间的像素都被设置为透明像素。 |
| -bgthresh < background_color_threshold> | 配合bgcolor使用 |
| -inv | 如果指定该标志，前景图像的颜色将翻转。 |
| -randinv | 如果指定该标志，颜色将随机地翻转。 |
| -maxidev < max_intensity_deviation> | 前景样本里像素的亮度梯度的最大值。 |
| -maxxangle < max_x_rotation_angle> | X轴最大旋转角度，必须以弧度为单位。 |
| -maxyangle < max_y_rotation_angle> | Y轴最大旋转角度，必须以弧度为单位。 |
| -maxzangle< max_z_rotation_angle> | Z轴最大旋转角度，必须以弧度为单位。 |
| -show | 很有用的调试选项。如果指定该选项，每个样本都将被显示。如果按下Esc键，程序将继续创建样本但不再显示。 |
| -w < sample_width> | 输出样本的宽度（以像素为单位）。 |
| -h< sample_height> | 输出样本的高度（以像素为单位）。 |
2、准备负样本
- 负样本可以是任意图像，但是这些图像中
不能包含待检测的物体。 - 用于抠取负样本的图像文件名被列在一个neg.dat文件中。
- 生成方式与正样本相同，但仅仅包含文件名列表就可以了。
- 每行是一个文件名（包括相对目录和文件名）这些图像可以是不同的尺寸，但是图像尺寸应该比训练窗口的尺寸大，因为这些图像将被用于抠取负样本，并将负样本缩小到训练窗口大小。
文件格式
| 第一列 |
|---|
| 图片名 |
| xxx.png |
- 同样，通过脚本生成neg.dat文件
3、训练级联分类器
- OpenCV提供了两个可以训练的级联分类器的程序：
- opencv_haartraining
- opencv_traincascade
- opencv_haartraining是一个将被弃用的程序；opencv_traincascade是一个新程序。
调用opencv_traincascade.exe执行训练
opencv_traincascade.exe -data "E:\learning\imagedata\pukepai\data" -vec "E:\learning\imagedata\pukepai\pos\pos.vec" -bg "E:\learning\imagedata\pukepai\neg\neg.dat" -numPos 1500 -numNeg 1500 -numStages 20 -mem 2048 -featureType LBP -w 19 -h 23
opencv_createsamples.exe程序的命令行参数解析:
| 参数名 | 描述 | ||
|---|---|---|---|
通用参数 | |||
| -data < cascade_dir_name> | 目录名，如不存在训练程序会创建它，用于存放训练好的分类器。 | ||
| -vec < vec_file_name> | 包含正样本的vec文件名（由opencv_createsamples程序生成）。 | ||
| -bg < background_file_name> | 背景描述文件，也就是包含负样本文件名的那个描述文件。 | ||
| -numPos < number_of_positive_samples> | 每级分类器训练时所用的正样本数目。 | ||
| -numNeg < number_of_negative_samples> | 每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目。 | ||
| -numStages < number_of_stages> | 训练的分类器的级数。 | ||
| -precalcValBufSize< precalculated_vals_buffer_size_in_Mb> | 缓存大小，用于存储预先计算的特征值(feature values)，单位为MB。 | ||
| -precalcIdxBufSize< precalculated_idxs_buffer_size_in_Mb> | 缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB。内存越大，训练时间越短。 | ||
| -baseFormatSave | 这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储。 | ||
级联参数 |
|||
| -stageType < BOOST(default)> | 级别（stage）参数。目前只支持将BOOST分类器作为级别的类型。 | ||
| -featureType<{HAAR(default), LBP}> | 特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征。 | ||
| -w < sampleWidth> | 训练样本的宽度（单位为像素）。必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。 | ||
| -h < sampleHeight> | 训练样本的高度（单位为像素）。必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。 | ||
Boosted分类器参数: |
|||
| -bt < {DAB, RAB, LB,GAB(default)}> |
DAB - DiscreteAdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB -Gentle AdaBoost |
||
Boosted分类器的类型： |
|||
| -minHitRate< min_hit_rate> | 分类器的每一级希望得到的最小检测率。总的检测率大约为 min_hit_rate^number_of_stages。 | ||
| -maxFalseAlarmRate < max_false_alarm_rate> | 分类器的每一级希望得到的最大误检率。总的误检率大约为 max_false_alarm_rate^number_of_stages. | ||
| -weightTrimRate < weight_trim_rate> | Specifies whether trimmingshould be used and its weight.一个还不错的数值是0.95。 | ||
| -maxDepth < max_depth_of_weak_tree> | 弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）。 | ||
| -maxWeakCount< max_weak_tree_count> | 每一级中的弱分类器的最大数目。The boostedclassifier (stage) will have so many weak trees (<=maxWeakCount), as neededto achieve the given -maxFalseAlarmRate | ||
类Haar特征参数： |
|||
| -mode < BASIC (default) | CORE | ALL> | 选择训练过程中使用的Haar特征的类型。 BASIC 只使用右上特征， ALL使用所有右上特征和45度旋转特征。 |
LBP特征参数： |
|||
| LBP特征无参数。 |
4、测试分类器性能
- opencv_performance 可以用来评估分类器的质量，但只能评估 opencv_haartraining 输出的分类器。它读入一组标注好的图像，运行分类器并报告性能，如检测到物体的数目，漏检的数目，误检的数目，以及其他信息。同样准备测试数据集test，生成图像列表文件，格式与训练者正样本图像列表相同，需要标注目标文件的个数与位置。
opencv_performance 的命令行参数解析：
| 参数名 | 描述 | |
|---|---|---|
| -data < classifier_directory_name> | 训练好的分类器 | |
| -info < collection_file_name> | 描述物体所在图像以及大小位置的描述文件 | |
| -maxSizeDiff < max_size_difference =1.500000> | ||
| -maxPosDiff < max_position_difference =0.300000> | ||
| -sf < scale_factor = 1.200000> | ||
| -ni | 选项抑制创建的图像文件的检测 | |
| -nos < number_of_stages = -1> | ||
| -rs < roc_size = 40>] | ||
| -w < sample_width = 24> | ||
| -h < sample_height = 24> |
附opencv_haartraining 的命令行参数如下：
| 参数名 | 描述 | ||
|---|---|---|---|
| －data< dir_name> | 存放训练好的分类器的路径名。 | ||
| －vec< vec_file_name> | 正样本文件名（由trainingssamples程序或者由其他的方法创建的） | ||
| －bg< background_file_name> | 背景描述文件。 | ||
| －npos< number_of_positive_samples>， | |||
| －nneg< number_of_negative_samples> | 用来训练每一个分类器阶段的正/负样本。合理的值是：nPos = 7000;nNeg= 3000 | ||
| －nstages< number_of_stages> | 训练的阶段数。 | ||
| －nsplits< number_of_splits> | 决定用于阶段分类器的弱分类器。如果1，则一个简单的stump classifier被使用。如果是2或者更多，则带有number_of_splits个内部节点的CART分类器被使用。 | ||
| －mem< memory_in_MB> | 预先计算的以MB为单位的可用内存。内存越大则训练的速度越快。 | ||
| －sym（default） | |||
| －nonsym | 指定训练的目标对象是否垂直对称。垂直对称提高目标的训练速度。例如，正面部是垂直对称的。 | ||
| －minhitrate < min_hit_rate> | 每个阶段分类器需要的最小的命中率。总的命中率为min_hit_rate的number_of_stages次方。 | ||
| －maxfalsealarm< max_false_alarm_rate> | 没有阶段分类器的最大错误报警率。总的错误警告率为max_false_alarm_rate的number_of_stages次方。 | ||
| －weighttrimming< weight_trimming> | 指定是否使用权修正和使用多大的权修正。一个基本的选择是0.9 | ||
| －eqw | |||
| －mode< basic(default) | core | all> | 选择用来训练的haar特征集的种类。basic仅仅使用垂直特征。all使用垂直和45度角旋转特征。 |
| －w < sample_width> | |||
| －h< sample_height> | 训练样本的尺寸，（以像素为单位）。必须和训练样本创建的尺寸相同。 |
