OpenCV 之 HaarTraining 算法剖析 -CSDN博客

本文链接：https://blog.csdn.net/guxj821/article/details/6341239

OpenCV 之 HaarTraining 算法剖析

1.引言
通过前段时间阅读 OpenCV 的 HaarTraining 代码，基本掌握了 HaarTraining 算法。现将
其中的算法作一梳理，同时对 HaarTraining 的使用方法做一简要说明。
HaarTraining 算法总体上以 Friedman, J. H 等人的“Additive Logistic Regression: a
Statistical View of Boosting”为出发点，实现了其中 2 类分类问题的 4 种Boost算法： Discrete
AdaBoost, Real AdaBoost, LogitBoost 和 Gentle AdaBoost。同时实现了文中第 8 节 Additive
Logistic Trees 和第 9 节 Weight Trimming.
Friedman, J. H等人只描述了如何训练一个强分类器，对于训练级联的强分类器（Cascade
of Classifiers），OpenCV 采用的是 Paul Viola 等人的“Robust Real-Time Face Detection”中所
述方法。
HaarTraining 采用的是 OpenCV 扩展的Haar特征，具体描述可参考 Rainer Lienhart 等人
的“An Extended Set of Haar-like Features for Rapid Object Detection”。

2.总体框架
要训练一个 Haar分类器，总体上包括 3 步：1)准备正负样本；2)用 CreateSamples 程序
建正样本集；3)用 HaarTraining 程序训练，得到最终的分类器模型（xml 文件）。

3. 样本准备
HaarTraining 需要使用正样本和负样本进行训练。下面分别进行描述。
3.1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：
face_100/face00001.bmp 1 0 0 20 20
face_100/face00002.bmp 1 0 0 20 20
face_100/face00003.bmp 1 0 0 20 20
…
可采用 Dos命令结合 EditPlus 软件生成样本描述文件。具体方法是在 Dos下的恰当
目录敲入 dir face_100 /b > samples.dat，则会生成一个 samples.dat，里面包含所有正
样本文件名列表，但没有相对路径名和正样本位置信息。在 samples.dat 文件各行行
首增加“face _100/”的方法是使用 EditPlus，先选中所有行，然后按 Tab键为每行
增加一个制表位，然后将制表位全部替换为“face _100/”即可。通过将“bmp”替
换为“bmp 1 0 0 20 20”即可在每行添加“1 0 0 20 20”。

2) 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 F:/FaceDetect/samples.dat -vec F:/FaceDetect/samples.vec -num 200 -w 20 -h 20
表示有 200 个样本，样本宽 20，高 20，正样本描述文件为 samples.dat，结果输出
到 samples.vec。

3) 运行完了会生成一个*.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。

3.2负样本
负样本图像可以是不含有正样本模式的任何图像，比如一些风景照等。训练时， OpenCV
需要一个负样本描述文件，该文件只需包含所有负样本的文件名及绝对（或相对）路径名。
以下是一个负样本描述文件内容示例：
nonface_200/00001.bmp
nonface_200/00002.bmp
nonface_200/00003.bmp
…
负样本描述文件的生成方法可参照正样本描述文件生成方法。

负样本图像的大小只要不小于正样本就可以，在使用负样本时，OpenCV 自动从负样本
图像中抠出一块和正样本同样大小的区域作为负样本，具体可查看函数
icvGetNextFromBackgroundData（）。具体抠图过程为：
1) 确定抠图区域的左上角坐标(Point.x, Point.y)
2) 确定一个最小缩放比例，使得原负样本图像缩放后恰好包含选中负样本区域
3) 对原负样本图象按计算好的缩放比例进行缩放
4) 在缩放后的图像上抠出负样本，