OpenCV3.2.0-----训练数据/分类

目录结构

—数据
—–posdata(正样本存放)
—–negdata(负样本存放)
—–xml(分类器存放)
—–posdata.txt(第三步生成)
—–negdata.txt(第三步生成)
—–pos.vec(第四步生成)

(1)准备正样本

正样本图片是自己所检测的目标物体，故越多越好，样本间的差异越大越好。统一化大小，推荐使用20x20，处理较快。根据需要对图片进行预处理，如灰度处理等。

（2）准备负样本

负样本是正样本的背景图片，可以是任意无关的物体及背景。但也不是随意选取，最好是项目所处的环境的背景图。负样本的大小要比正样本大。
正负样本数量1：3

（3）创建样本路径及描述

3.1 进入posdata目录下，创建文本文件编辑，并更名为批处理文件XXX.bat。
内容如下：dir /b/s/p/w *.jpg > 样本描述文件.txt
双击该批处理文件，生成样本描述文件.txt。将其剪切到上级目录下，更名为posdata.txt。
打开该文件，替换“jpg”为”jpg 1 0 0 20 20”
其中1为该文件代表的文件数量，left top（坐标原点？） width height（宽度长度，即像素20 20），
3.2进入negdata目录下，如上创建描述文件，但不用进行替换。

（4）创建正样本文件pos.vec

进入/数据目录，打开CMD，首先确保opencv已经在path路径中，输入：
opencv_createsamples -info posdata.txt -vec pos.vec -num 600 -w 20 -h 20
其中info为正样本描述文件（路径 大小），-vec是生成的pos.vec文件，-num是正样本的数量，即posdata每个路径后面的1相加的和，-w -h就是像素的宽和高。
回车生成pos.vec

(5)分类

对于Opencv3.2已经放弃了haartraining文件，取而代之的是”opencv_traincascade.exe”，参数如下：

• data 训练的分类器的存储目录
• vec 正样本文件，由open_createsamples.exe生成，正样本文件后缀名为.vec
• bg 负样本说明文件，主要包含负样本文件所在的目录及负样本文件名即刚才的negdata.txt
• numPos 每级分类器训练时所用到的正样本数目，应小于vec文件中正样本的数目，具体数目限制条件为：numPos+（numStages-1）numPos（1-minHitRate）<=vec文件中正样本的数目
• numNeg 每级分类器训练时所用到的负样本数目，可以大于-bg指定的图片数目
• numStages 训练分类器的级数，强分类器的个数
• precalcValBufSize 缓存大小，用于存储预先计算的特征值，单位MB
• precalcIdxBufSize 缓存大小，用于存储预先计算的特征索引，单位MB
• baseFormatSave 仅在使用Haar特征时有效，如果指定，级联分类器将以老格式存储
• numThreads 线程数
  ——级联参数——
• stageType 级联类型，目前只能取BOOST 默认
• featureType 训练使用的特征类型，目前支持的特征有Haar，LBP和HOG
• w 训练的正样本的宽度，Haar特征的w和h一般为20，LBP特征的w和h一般为24，HOG特征的w和h一般为64
• h 训练的正样本的高
  ——BOOST参数——
• bt 训练分类器采用的Adaboost类型，Adaboost分为Getle Adaboost，Real Adaboost，Discrete Adaboost，Logit Adaboost，训练中默认采用Getle Adaboost
• minHitRate
  影响每个强分类器阈值，每一级分类器最小命中率，表示每一级强分类器对正样本的的分类准确率
• maxFalseAlarm
  最大虚警率，影响弱分类器的阈值，表示每个弱分类器将负样本误分为正样本的比例，一般默认值为0.5
• weightTrimRate
  0-1之间的阈值，影响参与训练的样本，样本权重更新排序后(从小到大)，从前面累计权重小于(1-weightTrimRate)的样本将不参与下一次训练，一般默认值为0.95
• maxDepth
  每一个弱分类器决策树的深度，默认是1，是二叉树（stumps），只使用一个特征。
• maxWeakCount
  每级强分类器中弱分类器的最大个数，当FA降不到指定的maxFalseAlarm时可以通过指定最大弱分类器个数停止单个强分类器
  ——Haar特征参数——
• mode
  值为BASIC、CORE、ALL三种，根据值不同采用不同的Haar特征，BASIC是基本的Haar特征，CORE是所有的上下Haar特征，ALL是使用所有的Haar特征
  ——LBP特征参数——
• LBP特征，CvLBPFeatureParams继承于CvFeatureParams
  无参数
  ——HOG特征参数——
• HOG特征，CvHOGFeatureParams继承于CvFeatureParams
  无参数

输入：
opencv_traincascade -data xml -vec pos.vec -bg negdata.txt -numPos 100 -numNeg 300 -numStages 20 -featureType HAAR -w 20 -h 20
回车即可生成xml形式的分类器。在Opencv中直接加载该文件即可。