【MFC基础入门】基于Adaboost算法的车牌检测在OpenCV上的研究与实现

目录结构

E:\Adaboost\   ---------positive\               //正样本文件夹---------pimages\       //正样本图片所在文件夹---------pos.dat        //正样本集描述文件---------pos.vec        //正样本特征集描述文件   ---------nagative\               //负样本文件夹   ---------pimages\       //负样本图片所在文件夹   ---------nag.dat        //正样本集描述文件

正样本

1  收集样本

找617张带有车牌的图片，一开始设置大小 200*200 左右，报内存错误。
后来重做，即将617张图片中的车牌用画图软件截取下来，重新设置大小为60*17，并保存为bmp文件。
我这人比较懒，617张车牌的照片？其实还是不容易找的。我是这样做的：

1.1 先收集类似图片

运用 网页图片保存能手 这个软件批量下载图片（这个软件找的好辛苦，试过其它的有的收费有的基本不能用）
我在百度图片搜的关键词有 “车牌” “车牌号” “苏州车牌” “江苏车牌” 等等，获取了近7000张的图片

1.2 利用以前写的小软件截取车牌

运用自己以前写的小程序：车牌图片截取软件（运用opencv基于纹理检测车牌，由于效果不太好，姑且用来为adboost提供辅助收集车牌图片），
设置好样本图片所在的输入路径，在设置好车牌输出路径，运行即可得到 60*17 大小的bmp图片
下载地址： http://download.csdn.net/detail/mkr127/5374301
PS由于效果不怎么好吗，所以在出来的图片中你得删掉无用的图片，于是，几千张的图片我只收集到了617张车牌图片，哈哈，很麻烦的。
BUG这个小软件有bug，我懒得改，即图片太大如5400*2700有时会出错，还有每次运行的图片不要太多，不然会出错，将图片 2000张一组就没有问题。
当然，如果你不喜欢，可以自己手动截取。

1.3 将得到的617张正样本图片放在E:\Adaboost\positive\pimages\文件夹中

1.4 负样本图片

即不包含车牌的图片，我收集了几千张，用matlab 批量格式化为 200*200大小的bmp图片，放在E:\Adaboost\nagative\pimages\文件夹内

2 创建正负样本描述文件

2.1 正样本描述文件

cd E:\Adaboost\positive
dir pimages /b > pos.dat

运用文本编辑软件对生成的文件 pos.dat 进行替换修改：
a: 将jpg 替换为 jpg 1 0 0 60 17
b: 选择所有，tab键，将tab 替换为图片所在路径
得:

2.1 负样本描述文件

cd E:\Adaboost\nagative
dir pimages /b > nag.dat

运用文本编辑软件对生成的文件 pos.dat 进行替换修改：
选择所有，tab键，将tab 替换为图片所在路径
得

3 设置环境变量

添加Opencv库中opencv_createsamples的环境变量，以便于在cmd中执行，在path中最后添加 ;C:\OpenCV\opencv\install\bin

4 创建正样本特征集描述文件

打开cmd，进入positive所在文件夹

cd E:\Adaboost\positive
opencv_createsamples -vec pos.vec -info pos.dat -num 617 -w 60 -h 17
//-num 正样本数量 -w图像宽 -h高

如下图所示

在E:\Adaboost\positive下生成pos.vec文件，即正样本特征集描述文件。

5 开始训练

cd E:\Adaboost\nagative
opencv_haartraining -data trainout -vec e:\Adaboost\positive\pos.vec -bg nag.dat -npos 317 -nneg 300 -mem 40000 -mode ALL -w 60 -h 17
//-mem分配的内存大小 -w正样本宽 -h正样本高

//-npos正样本数量，-nneg 负样本数量，至于为什么是这个值，最后将有分析。

6 遇到的错误

6.1 内存不够的错误

那是因为正样本图片太大了，我改为60*17就正常了

6.2 OpenCV Error: Assertion failed (elements_read == 1)

原因：-nneg -npos 参数出错

参考：
http://bbs.csdn.net/topics/390388465
http://askbot.alekcac.webfactional.com/question/3085/why-always-opencv-error-assertion-failed-elements_read-1-in-unknown-function/

我英文不太好 - -!初步分析认为：
假如我有正样本总数 617 ，npos(正样本参数设置的大小，待定);负样本数 nneg 待定(我原有3000张左右), nstages 12

617 >= npos + (12-1)*0.001*npos +nneg

那么假如分配 nneg=300，则

npos<= (617-300)/1.011 = 317

6.3 再次测试

opencv_haartraining -data trainout -vec e:\Adaboost\positive\pos.vec -bg nag.dat -npos 317 -nneg 300 -mem 40000 -mode ALL -w 60 -h 17

问题搞定，我没有设置-nstages=12 也没错，额，待进一步研究。

结果

跑到第四层的时候，跑了一天两夜，仍然是第4阶！哥不淡定了，查查估计是死循环了，网上说适当增加负样本，

那么我在控制台中 Ctrl + C， 注意，是可以断开的，以前我一直不敢...原来在执行训练的话会自动加载 以前训练的级，估计这就是级联吧，都是自己摸索的，纯粹的供大家参考，有不到之处尽请谅解。

我将负样本增至600

opencv_haartraining -data trainout -vec e:\Adaboost\positive\pos.vec -bg nag.dat -npos 317 -nneg 600-mem 40000 -mode ALL -w 60 -h 17

这时候在很短的时间内跑到了第10阶。进一步探究中。

接上

请注意，要确保 nag.dat 里面的数据大于600行，因为上一步执行到第10层时停止不动了

就停在这里，于是我找到 nag.dat(负样本描述文件)发现里面的数据只有300行，怪不得，于是我追加打到1269行，此时我再执行

E:\Adaboost\nagative>opencv_haartraining -data trainout -vec e:\Adaboost\positive\pos.vec -bg nag.dat -npos 317 -nneg 900 -mem 40000 -mode ALL -w 60 -h 17

继续向下训练

截图为证

报一下我的数据，pos.dat =617行,   pimages =617张     ,  nag.dat= 1269行 , nimages= 1269张

trainout 训练到第十层

继续向下探索，由于我对着个完全没有经验，如果大家觉得太过幼稚简单，可以移步，呵呵，纯当给像我这样的一无所知之人一个借鉴。

仅此而已。

训练结束

得到 分类器：

这时我在增大负样本数到1269 发现到13级就训练结束了，和负样本数为900的没有区别，并且  E:\Adaboost\nagative\trainout.xml 自动更新覆盖为最新版，这下我就不用担心以前的成果白费了，当然，最好做个备份，E:\Adaboost\nagative\trainout 这里面的数据不要删，以后增加正负样本的数量的话我估计会自动累加，呵呵。

接下来开始测试：利用之前写的人脸检测代码，将分类器改成我们测试的分类器，一切就容易起来！

实验的结果还是挺差的，估计是样本太少了，我的正样本才600多，专业的最少都7-8000，也有可能是我的正样本图截的不好，用软件截的，没有手工的准确，再者就是网上的图片不行，真正好的样本还是比较少的。

测试结果：

接下来就是增加样本数量，最后还不好的话，就增大样本质量，哈哈！

如果以后有经历，就写个MFC通用的提取分类器的小程序，用来测试分类器的性能。

本人写的通用小项目下载地址：可以提取分类器进行检测，大家必须配置好OpenCV环境和在源码中设置好分类器的路径。

http://download.csdn.net/detail/mkr127/5397219

项目用到的正样本训练库，额，分有点高，毕竟是本人从几千张图片中一张一张筛选出来的...算是我的辛苦费吧，勿喷我......

http://download.csdn.net/detail/mkr127/5418861

60-17像素bmp车牌 共617张。

7 参考文章

基于Adaboost算法的车牌检测在OpenCV上的研究与实现.pdf 

作者：邓育林

http://wenku.baidu.com/view/5a3f464433687e21af45a971.html

转载请注明出处！