opencv实践程序9——分类器训练过程

一，样本创建

1，负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下： 

采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:\face\posdata下，则： 

打开Windows运行程序，输入cmd打开DOS命令窗口，输入d:回车，再输入cd D:\face\negdata进入图片路径，再次输入dir /b > negdata.dat，则会图片路径下生成一个negdata.dat文件，打开该文件将最后一行的negdata.dat删除，这样就生成了负样本描述文件。

 

2，正样本 

对于正样本，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小）

 

由于HaarTraining训练时输入的正样本是vec文件，所以需要使用OpenCV自带的CreateSamples程序（在你所按照的opencv\bin下，如果没有需要编译

opencv\apps\HaarTraining\make下的.dsw文件，注意要编译release版的）将准备好的正样本转换为vec文件。转换的步骤如下： 

1) 制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在图片中的位置和大小。典型的正样本描述文件如下： posdata/1(10).bmp 1 1 1 23 23 posdata/1(11).bmp 1 1 1 23 23 posdata/1(12).bmp 1 1 1 23 23 

不过你可以把描述文件放在你的posdata路径（即正样本路径）下，这样你就不需要加前面的相对路径了。同样它的生成方式可以用负样本描述文件的生成方法，最后用txt的替换工具将“bmp”全部替换成“bmp 1 1 1 23 23 

”就可以了，如果你的样本图片多，用txt替换会导致程序未响应，你可以将内容拷到word下替换，然后再拷回来。bmp后面那五个数字分别表示图片个数，目标的起始位置及其宽高。这样就生成了正样本描述文件posdata.dat。 

 

 

3，运行CreateSamples程序。如果直接在VC环境下运行，可以在Project\Settings\Debug属性页的Program arguments栏设置运行参数。下面是一个运行参数示例： -info D:\face\posdata\posdata.dat -vec D:\face\pos.vec -num 50 -w 20 -h 20 表示有50个样本，样本宽20，高20，正样本描述文件为posdata.dat，结果输出到pos.vec。 或者在dos下输入： 

"D:\Program Files\OpenCV\bin\createsamples.exe" -info "posdata\posdata.dat" -vec data\pos.vec -num 50 -w 20 -h 20  

运行完了会d:\face\data下生成一个*.vec的文件。该文件包含正样本数目，宽高以及所有样本图像数据。

 

 

 

 

Createsamples程序的命令行参数： 命令行参数： 

－vec <vec_file_name> 

训练好的正样本的输出文件名。 －img<image_file_name> 

源目标图片（例如：一个公司图标） －bg<background_file_name> 背景描述文件。 

－num<number_of_samples> 

要产生的正样本的数量，和正样本图片数目相同。 －bgcolor<background_color> 

背景色（假定当前图片为灰度图）。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh和bgcolor＋bgthresh中间的像素被认为是透明的。 

－bgthresh<background_color_threshold> －inv 

如果指定，颜色会反色 －randinv 

如果指定，颜色会任意反色 

－maxidev<max_intensity_deviation> 背景色最大的偏离度。 

－maxangel<max_x_rotation_angle> －maxangle<max_y_rotation_angle>， －maxzangle<max_x_rotation_angle> 最大旋转角度，以弧度为单位。 －show 

如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而创建过程继续。这是个有用的debug选项。 －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。 

到此第一步样本训练就完成了。

 

 二、训练分类器 

样本创建之后，接下来要训练分类器，这个过程是由haartraining程序来实现的。该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。 Haartraining的命令行参数如下： －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。 一个训练分类器的例子： 

"D:\Program Files\OpenCV\bin\haartraining.exe"   -data data\cascade -vec data\pos.vec -bg negdata\negdata.dat -npos 49 -nneg 49 -mem 200 -mode ALL -w 20 -h 20 训练结束后，会在目录data下生成一些子目录，即为训练好的分类器

 

 

三：利用训练好的分类器进行目标检测（最好在vc/bin目录中运行）。 

这一步需要用到performance.exe，该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。 

performance.exe -data data/cascade -info posdata/test.dat -w 20 -h 20 -rs 30 

 

 

performance的命令行参数如下： 

Usage: ./performance 

-data <classifier_directory_name> -info <collection_file_name> 

[-maxSizeDiff <max_size_difference = 1.500000>] [-maxPosDiff <max_position_difference = 0.300000>] [-sf <scale_factor = 1.200000>] [-ni] 

[-nos <number_of_stages = -1>] [-rs <roc_size = 40>] 

[-w <sample_width = 24>] [-h <sample_height = 24>] 

 

后面有个nothing to do,因为第三行的-vecdata应该分开写成-vec data

 

 

Unable to open image: .jpg。这说明所用图片必须要统一格式的。

命令如上，出现下面对话框错误。

 

估计可能在负样本中有人脸的图片，或是参杂别的格式的图片。在我将负样本由15个增加至90个，正样本由20个增加至65个，并将图片全部转化为bmp文件时，最后通过了。最后结果如下：

 

这是用自己的cascade.xml来测试posdata.dat

 

 

上面是未将正样本尺寸统一化，导致出现了很多问题。后将正样本做裁剪并统一化尺寸24*24后运行结果如下：

 

这副测试图片是png格式的。

 

这时用的是正样本数目为100，尺寸为24*24，负样本数为90的分类器。

 

 

这幅图片是jpg格式的。