关于opencv:OpenCV开发笔记七十一红胖子8分钟带你深入级联分类器训练

若该文为原创文章，转载请注明原文出处
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/109096211
各位读者，常识无穷而人力有穷，要么改需要，要么找专业人士，要么本人钻研
红瘦子 (红模拟) 的博文大全：开发技术汇合（蕴含 Qt 实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬联合等等）继续更新中 …（点击传送门）

OpenCV 开发专栏（点击传送门）

上一篇：《OpenCV 开发笔记（七十）：红瘦子带你傻瓜式编译 VS2017x64 版本的 openCV4》
下一篇：继续补充中…

前言

  红瘦子，来也！
  做图像处理，常常头痛的是明明分离出来了（非色彩的），分为几块区域，那怎么晓得这几块区域到底哪一块是咱们须要的，那么这部分就波及到须要辨认了。
  辨认能够本人写模板匹配、特色点辨认、级联分类器训练辨认。
  本文章就是解说级联分类器的训练与辨认。

级联分类器相干

  OpenCV 的级联分类器分有两个，别离为 Harr 级联分类器和 LBP 级联分类器。具体级联分类器请查看：
《OpenCV 开发笔记（五十四）：红瘦子 8 分钟带你深刻理解 Haar 级联分类器进行人脸检测（图文并茂 + 浅显易懂 + 程序源码）》
《OpenCV 开发笔记（五十五）：红瘦子 8 分钟带你深刻理解 Haar、LBP 特色以及级联分类器辨认过程（图文并茂 + 浅显易懂 + 程序源码）》

明确指标

  指标是辨认视频中的歌手，咱们先手动采集数据汇合。
  视频为《绿色》，如下图：

训练分类器前的筹备工作

采集正样本图片

  正样本的尺寸 不是必须统一的，然而要和生成的正样本矢量文件中的宽高有雷同的比例（因为训练过程中，会依据设置的宽高进行等比缩放，比方设置正版本图片是 128×128 的，那么样本为 256×256 会缩放，假如杨文为 256×128 的那么比例就不同了，这个图怎么解决？待定）；
  正样本图片应该尽可能蕴含少的烦扰背景信息。在训练过程中多余的背景信息也会成为正样本的一个部分特色，此处与深度学习不同，深度学习当初支流无脑深度学习，图像根本的一些去噪都可能不做。
  数据起源尽可能做到多样化，比方样本为车，车的姿势场景应稍丰盛些。同一正样本指标的图像太多会使部分特色过于显著，造成这个指标的训练过拟合，影响检测精度，不利于训练器泛化应用。
  咱们采集视频的人脸，先把视频解码后保留成 jpg 图片。
  此处省略一万字 ………………………………..

创立样本：opencv_createsamples.exe

  应用 opencv 自带的命令行工具 opencv_createsamples.exe

• [-info <collection_file_name>]

样本阐明文件，每一行的内容为

xxx.jpg nums x y width height

  例如：图片中有两个指标

xxx.jpg 2 0 0 100 100 200 200 100 100

  生成样本在 windows 上依靠命令行

dir /b > pos.data

• [-img <image_file_name>]

  通过一张图片的扭曲形变成多张图片作为样本，就填写这个参数，参数的内容为要扭曲的图片的门路。填入后，-info 参数不再无效。

• [-vec <vec_file_name>]

  样本形容文件的名字及门路

• [-bg <background_file_name>]

  负样本形容文件的名字及门路，如果省略，则应用 bgcolor 的值填充作为背景。就是跟寄存负样本图片（背景图片）目录地位雷同的形容文件的门路，可用 txt,dat 等格局保留，每一行的内容为：xxx.jpg。

• [-inv]

  如果指定该标记，前景图像的色彩将翻转

• [-randinv]

  如果指定该标记，色彩将随机地翻转

• [-num <number_of_samples = 1000>]

  总共几个样本，能够省略，则依照输出的理论样本数量产生

• [-bgcolor <background_color = 0>]

  背景色彩（目前为灰度图）；背景色彩示意通明色彩。因为图像压缩可造成色彩偏差，色彩的容差能够由 -bgthresh 指定。所有处于 bgcolor-bgthresh 和 bgcolor+bgthresh 之间的像素都被设置为通明像素。

• [-bgthresh <background_color_threshold = 80>]

（参考 -bgcolor）

• [-maxidev <max_intensity_deviation = 40>]

  前景样本里像素的亮度梯度的最大值

• [-maxxangle <max_x_rotation_angle = 1.100000>]

  x 轴最大旋转角度，单位弧度

• [-maxyangle <max_y_rotation_angle = 1.100000>]

  y 轴最大旋转角度，单位弧度

• [-maxzangle <max_z_rotation_angle = 0.500000>]

  z 轴最大旋转角度，单位弧度

• [-show [<scale = 4.000000>]]

  显示样本，作为创立样本时的调试

• [-w <sample_width = 24>]

  样本缩放到的尺寸

• [-h <sample_height = 24>]

  样本缩放到的尺寸

• [-maxscale <max sample scale = -1.000000>]：
• [-rngseed <rng seed = 12345>]：

创立正样本

创立负样本

创立样本文件 vec

opencv_createsamples -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -show -w 50 -h 70  -maxxangle 6.28 -maxyangle 6.28 -maxzangle 6.28

（留神：LBP 特色 50×70 等都能够能够训练，实测 HAAR 则必须是 24×24 or 20×20）

训练样本 opencv_traincascade.exe

  应用 opencv 自带的命令行工具 opencv_traincascade.exe，能够训练三个特色指标：HAAR、HOG、LBP。

• -data <cascade_dir_name>

  训练的分类器的存储目录。

• -vec <vec_file_name>

  通过 opencv_createsamples 生成的 vec 文件，正样本的数据。

• -bg <background_file_name>

  负样本阐明文件，次要蕴含负样本文件所在的目录及负样本文件名。

• [-numPos <number_of_positive_samples = 2000>]

  每级分类器训练时所用到的正样本数目，然而该当留神，这个数值肯定要比筹备正样本时的数目少。

• [-numNeg <number_of_negative_samples = 1000>]

  每级分类器训练时所用到的负样本数目，能够大于 -bg 指 定的图片数目。

• [-numStages <number_of_stages = 20>]

  训练分类器的级数，强分类器的个数

• [-precalcValBufSize <precalculated_vals_buffer_size_in_Mb = 1024>]

  缓存大小，用于存储事后计算的特征值，单位 MB

• [-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb = 1024>]

  缓存大小，用于存储事后计算的特色索引，单位 MB

• [-baseFormatSave]

  仅在应用 Haar 特色时无效，如果指定，级联分类器将以老格局存储。

• [-numThreads <max_number_of_threads = 1>]

  反对多线程并行训练

• [-acceptanceRatioBreakValue <value> = -1>]

  此参数用于确定模型应放弃学习的准确水平以及何时进行。一个好的指导方针是训练不超过 10e-5（等于 10*10^(-5)），以确保模型不会适度训练您的训练数据。默认状况下，此值设置为 - 1 以禁用此性能。

–cascadeParams–

• [-stageType <BOOST(default)>]

  级联类型，目前只能取 BOOST

• [-featureType <{HAAR(default), LBP, HOG}>]

  训练应用的特色类型，目前反对的特色有 Haar，LBP 和 HOG

• [-w <sampleWidth = 24>]

  训练的正样本的宽度，Haar 特色的 w 和 h 个别为 20，LBP 特色的 w 和 h 个别为 24，HOG 特色的 w 和 h 个别为 64

• [-h <sampleHeight = 24>]

  训练的正样本的高

–boostParams–

• [-bt <{DAB, RAB, LB, GAB(default)}>]

  加强分类器类型：DAB-Discrete AdaBoost，RAB-Real AdaBoost，LB-LogitBoost，GAB-Gentle AdaBoost。

• [-minHitRate <min_hit_rate> = 0.995>]

  类器每个阶段的最小冀望命中率。总体命中率预计为（最小命中率 ^ 阶段数）。

• [-maxFalseAlarmRate <max_false_alarm_rate = 0.5>]

  分类器每个阶段的最大冀望误报率。

• [-weightTrimRate <weight_trim_rate = 0.95>]

  指定是否应应用修剪及其权重。一个不错的抉择是 0.95。

• [-maxDepth <max_depth_of_weak_tree = 1>]

  弱树的最大深度。一个不错的抉择是 1，这是树桩的状况。

• [-maxWeakCount <max_weak_tree_count = 100>]

  每个级联阶段的最大弱树数。晋升分类器（stage）将具备许多弱树（<=maxWeakCount），以实现给定的 -maxFalseAllRate。

–haarFeatureParams–

• [-mode <BASIC(default) | CORE | ALL>]

  抉择训练中应用的 Haar 特色集的类型。根本只应用直立特色，而所有特色都应用全套直立和 45 度旋转特色集。

训练级联分类器

opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType HAAR -w 64 -h 64

训练出错如下：

更换 LBP 特色，持续训练：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 64 -h 64

训练出错如下：

  依据谬误宽高是要跟创立的样本一样，改为 50×70，(创立的样本为 50×70)，持续训练：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt  \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70

  负样本再生成一次绝对路径：

dir /b /s >negAb.txt

  删掉非图片的行
  而后持续训练：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70

训练出错，如下：

手动创立 data 目录

  持续训练：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt -numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70

  而后，失常训练，训练实现：

如何训练 Haar

  要训练 haar 特色级联分类器，最开始创立样本就必须为 24×24 or 20×20 的（通过屡次尝试论证），最终设置 24×24 训练进去如下：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType HAAR -w 24 -h 24

  训练

opencv_createsamples -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -\
show -w 24 -h 24 -maxxangle 6.28 -maxyangle 6.28 -maxzangle 6.28

  应用该级联分类器，应用 cascade.xml 加载即可。

Haar 级联分类器的测试

  级联分类器的测试请参考《OpenCV 开发笔记（五十四）：红瘦子 8 分钟带你深刻理解 Haar 级联分类器进行人脸检测（图文并茂 + 浅显易懂 + 程序源码）》

上一篇：《OpenCV 开发笔记（七十）：红瘦子带你傻瓜式编译 VS2017x64 版本的 openCV4》
下一篇：继续补充中…