利用opencv训练基于Haar特征、LBP特征、Hog特征的分类器cascade.xml

最新推荐文章于 2024-03-19 23:01:35 发布

AI人工智能科学

最新推荐文章于 2024-03-19 23:01:35 发布

阅读量1.7w

点赞数 16

分类专栏： opencv 机器学习计算机视觉 OpenCV--Python C++ 文章标签： cascade opencv分类器 haar特征 LBP特征 hog特征

本文链接：https://blog.csdn.net/lql0716/article/details/72566839

版权

opencv 同时被 3 个专栏收录

26 篇文章 10 订阅

订阅专栏

OpenCV--Python

21 篇文章 1 订阅

订阅专栏

计算机视觉

20 篇文章 14 订阅

订阅专栏

利用opencv训练基于Haar特征、LBP特征、Hog特征的分类器cascade.xml

author@jason_ql
http://blog.csdn.net/lql0716

1 利用opencv训练基于Haar特征、LBP特征、Hog特征的分类器cascade.xml

该训练是基于adaboost算法训练的。
工具：
1、opencv_createsamples.exe
2、opencv_traincascade.exe

这两个exe执行程序的路径为：

C:\opencv\build\x64\vc12\bin

或C:\opencv\build\x86\vc12\bin

在opencv安装目录下查找即可找到

1.1 训练步骤

1、搜集正样本、负样本

正样本：只含有目标的局部图（若是全图，则需要把目标截取出来，比如训练人脸，则把人脸从含有人脸的图片中截取出来，尺寸要一致），且背景不要太过复杂，灰度图

正样本大小：20*20(一般用于Haar特征)，24*24（LBP特征）

正样本数量：一般大于等于2000

负样本：不含目标的任何图片，灰度图

负样本大小：60*60

负样本数量：一般大于等于5000

注：正样本尺寸越小，训练的时间越短，但正样本的尺寸要保证小于负样本的尺寸
2、在路径C:\opencv\build\x64\vc12\bin下新建3个文件夹：pos、neg、xml

pos文件夹：存放正样本

neg文件夹：存放负样本

xml文件夹：存放训练的xml格式文件

注：若使用的是路径C:\opencv\build\x86\vc12\bin，可能会提示错误“Training parameters are loaded from the parameter file in data folder! Please empty the data folder if you want to use your own set of parameters”，若不提示错误，使用x86路径或x64路径均可。
3、将正样本、负样本分别复制到pos文件夹、neg文件夹
4、cmd打开dos命令窗口，进入pos路径下
- 输入以下命令，生成pos.txt
  dir/b >pos.txt
- 生成pos.txt后，将png替换为：
  png 1 0 0 24 24
- 删除最后一行的pos.txt
5、同样进入neg路径下
- 输入以下命令，生成neg.txt
  dir/b >neg.txt
- 生成neg.txt后，将neg.txt中的图片名字前面加入路径：
  neg/
- 删除最后一行的neg.txt
6、进入路径C:\opencv\build\x64\vc12\bin，即pos、neg、xml所在的路径，输入以下命令，生成pos.vec

opencv_createsamples.exe -info pos\pos.txt -vec pos.vec -bg neg\neg.txt -num 2000 -w 24 -h 24

7、输入以下命令开始训练

opencv_traincascade.exe -data xml -vec pos.vec -bg neg\neg.txt 
-numPos 1800 -numNeg 4000 -numStages 20 -featureType LBP -w 24 -h 24

-numStages的参数一般默认为20，最好大于等于20，级数太小的话，训练的效果较差

1、错误提示:
“Traincascade Error:Bad argument(Can not get new positive sample.The most possible reason is insufficient count of samples in given vec-file.”
出现这个提示，可能是正样本参数太接近总的正样本数导致。
2、错误提示：
“Required leaf false alarm rate achieved. Branch training terminated – it’s impossible to build classifier with good false alarm on this negative images. Check your negative images are really negative”
出现这个提示，可能是因为负样本中有类似正样本的图片，把这些图片筛掉

8、训练结束后，xml文件夹下的cascade.xml文件就是训练好的分类器

1.2 批量调整样本图片尺寸的方法

使用python可以很方便的批量调整图片的尺寸（也可以用C++，但是代码写起来比较麻烦），方法如下。

1、视频逐帧读取为图片
逐帧读取图片，并按从1开始对图片进行编号

import numpy as np
import cv2
cap = cv2.VideoCapture('C:/Users/vid.mp4')  #读取视频
c = 1
while (cap.isOpened()):
    ret, frame = cap.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    cv2.imshow('frame', gray)
    cv2.imwrite('C:/Users/photo/' + '%s'%c + '.jpg', frame)  #图片写入相应的路径
    c = c + 1
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

2、批量调整图片尺寸

c = 1
for i in range(1, 2000):
    img = cv2.imread('D:/test/' + str(i) + '.jpg') #按序号读取图片
    if img==None:  #如果图片不存在，则跳过本次循环
        continue
    dst1 = img[:120, :120] #截取120*120的图片
    dst2 = cv2.resize(dst1, (60,60), 0, 0, cv2.INTER_LINEAR)   #调整图片大小，即缩放，其中60为图片尺寸
    dst3 = cv2.resize(img, (60,60), 0, 0, cv2.INTER_LINEAR)  #该操作是直接对原图进行缩放，这样会使得图片变形，故最好先截取为等宽等长的图片，再进行缩放
    cv2.imwrite('D:/test/photo/'+str(c)+'.png', dst2)
    c = c + 1
print 'its over'

1.3 训练步骤中的参数详解

无论是Haar特征训练，还是LBP特征训练或Hog特征训练，其图片尺寸都不要太大

一般，训练Haar所需的正样本图片为：20*20，训练LBP所需的正样本图片为：24*24，训练HOG所需的正样本图片为：60*60，负样本图片要大于等于正样本图片

1、生成pos.vec的命令：

opencv_createsamples.exe -info pos\pos.txt -vec pos.vec -bg neg\neg.txt -num 2000 -w 24 -h 24

2、生成pos.vec的参数：

-info 输入正样本描述文件，默认NULL

-img 输入图像文件名，默认NULL

-bg 负样本描述文件，文件中包含一系列的被随机选作物体背景的图像文件名，默认NULL

-num 生成正样本的数目，默认1000

-bgcolor 背景颜色，表示透明颜色，默认0

-bgthresh 颜色容差，所有处于bgcolor-bgthresh和bgcolor+bgthresh之间的像素被置为透明像素，也就是将白噪声加到前景图像上，默认80

-inv 前景图像颜色翻转标志，如果指定颜色翻转，默认0(不翻转)

-randinv 如果指定颜色将随机翻转，默认0

-maxidev 前景图像中像素的亮度梯度最大值，默认40

-maxxangle X轴最大旋转角度，以弧度为单位，默认1.1

-maxyangle Y轴最大旋转角度，以弧度为单位，默认1.1

-maxzangle Z轴最大旋转角度，以弧度为单位，默认0.5
输入图像沿着三个轴进行旋转，旋转角度由上述3个值限定。

-show 如果指定，每个样本都将被显示，按下Esc键，程序将继续创建样本而不在显示，默认为0(不显示)

-scale 显示图像的缩放比例，默认4.0

-w 输出样本宽度，默认24

-h 输出样本高度，默认24

-vec 输出用于训练的.vec文件，默认NULL
3、训练命令：

opencv_traincascade.exe -data xml -vec pos.vec -bg neg\neg.txt 
-numPos 1800 -numNeg 4000 -numStages 20 -featureType LBP -w 24 -h 24

4、训练参数：

-data 目录名xml，存放训练好的分类器，如果不存在训练程序自行创建

-vec pos.vec文件，由opencv_createsamples生成

-bg 负样本描述文件, neg\neg.txt

-numPos 每级分类器训练时所用到的正样本数目

-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，默认20级，一般在14-25层之间均可。
如果层数过多，分类器的fals alarm就更小，但是产生级联分类器的时间更长，分类器的hitrate就更小，检测速度就慢。如果正负样本较少，层数没必要设置很多。

-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M币

-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

5、级联参数cascadeParams:

-stageType 级联类型，staticconst char* stageTypes[] = { CC_BOOST };

-featureType 特征类型，staticconst char* featureTypes[] = { CC_HAAR, CC_LBP, CC_HOG };

-w
-h 训练样本的尺寸，必须跟使用opencv_createsamples创建的训练样本尺寸保持一致
6、Boosted分类器参数stageParams:

-bt Boosted分类器类型
DAB-discrete Adaboost, RAB-RealAdaboost, LB-LogiBoost, GAB-Gentle Adaboost

-minHitRate 分类器的每一级希望得到的最小检测率，总的最大检测率大约为min_hit_rate^number_of_stages

-maxFalseAlarmRate 分类器的每一级希望得到的最大误检率，总的误检率大约为max_false_rate^number_of_stages

-weightTrimRate Specifies whether trimming should beused and its weight. 一个还不错的数值是0.95

-maxDepth 弱分类器的最大深度，一个不错数值是1，二叉树

-maxWeightCount 每一级中弱分类器的最大数目
7、Haar特征参数featureParams

-mode 训练过程使用的Haar特征类型，CORE-Allupright ALL-All Features BASIC-Viola

1.4 测试分类器的效果

以下测试效果为opencv自带的人脸分类器测试效果代码。对于自己训练的分类器，只需将分类器文件及路径在以下代码中替换一下就可以了。

1.4.1 视频中识别目标

1、C++代码

#include <opencv2\objdetect\objdetect.hpp>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\imgproc\imgproc.hpp>
#include <iostream>

using namespace std;
using namespace cv;

int main(){

    cv::Mat img, gray;
    std::vector<Rect> face;
    CascadeClassifier face_cascade;
    if (!face_cascade.load("C:/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml")){ printf("--(!)Error loading face\n"); return -1; };

    cv::VideoCapture cap(0);
    if (!cap.isOpened()){
        return -1;
    }

    cv::namedWindow("Video", 1);
    while (1){

        char key = cv::waitKey(1);
        if (key == 'q'){
            cv::destroyWindow("Video");
            break;
        }

        cap >> img;
        cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);

        face_cascade.detectMultiScale(gray, face, 1.1, 2, 0 | CV_HAAR_SCALE_IMAGE, Size(30, 30));
        for (size_t i = 0; i < face.size(); i++){
            cv::Point center(face[i].x + face[i].width*0.5, face[i].y + face[i].height*0.5);
            cv::ellipse(img, center, Size(face[i].width*0.5, face[i].height*0.5), 0, 0, 360, Scalar(255, 0, 0), 4, 8, 0);
        }

        cv::imshow("Video", img);
    }

    cap.release();
    return 0;
}

2、python代码

# -*- coding: utf-8 -*-
"""
Created on Fri Apr 21 17:37:53 2017

@author: User
"""

##******************************************************************************
##                       利用opencv的分类器，检测视频中的人脸
##******************************************************************************
import cv2

face_haar = cv2.CascadeClassifier("C:/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml")  #读取人脸分类器，可在opencv的相应路径下找到

path = 'D:/test/test.avi'  #视频

cam = cv2.VideoCapture(0)  #读取摄像头
if cam==False:  #如果未发现摄像头，则读取视频
    cam = cv2.VideoCapture(path)

while True:

    _, img = cam.read()
    gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    faces = face_haar.detectMultiScale(gray_img, 1.3, 5)  #检测人脸
    for face_x,face_y,face_w,face_h in faces:
        cv2.rectangle(img, (face_x, face_y), (face_x+face_w, face_y+face_h), (0,255,0), 2)

    cv2.imshow('img', img)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        cv2.destroyAllWindows()
        break

cam.release()
cv2.waitKey(0)
cv2.destroyAllWindows()

1.4.2 图片中识别目标

1、C++代码

#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>

using namespace std;
using namespace cv;

int main(){

    cv::Mat img, gray;
    std::vector<Rect> face;
    CascadeClassifier face_cascade;
    if (!face_cascade.load("C:/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml")){
        printf("--(!)Error loading face\n");
        return -1;
    };

    img = cv::imread("d:/photo/08.jpg");
    cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);
    //cv::GaussianBlur(gray, gray, Size(5, 5), 0, 0, 4);  //高斯滤波
    face_cascade.detectMultiScale(gray, face, 1.1, 2, 0 | CV_HAAR_SCALE_IMAGE, Size(30, 30));
    for (size_t i = 0; i < face.size(); i++){
        cv::Point center(face[i].x + face[i].width*0.5, face[i].y + face[i].height*0.5);
        cv::ellipse(img, center, Size(face[i].width*0.5, face[i].height*0.5), 0, 0, 360, Scalar(255, 0, 0), 4, 8, 0);
    }

    cv::imwrite("d:/photo/08_1.jpg", img);
    cv::namedWindow("img", cv::WINDOW_NORMAL);
    cv::imshow("img", img);
    cv::waitKey(0);

    return 0;
}

原图：
此处输入图片的描述

效果图：
此处输入图片的描述

效果图中出现了误识别，所以opencv所带的分类器准确率并不是很高，但也可以通过调整函数detectMultiScale()的参数来提高识别率，或者检测之前进行高斯滤波。

2、python代码

# -*- coding: utf-8 -*-
"""
Created on Fri Apr 21 17:37:53 2017

@author: User
"""

#******************************************************************************
#                       利用opencv的分类器，检测单张图片的人脸
#******************************************************************************
import cv2

img = cv2.imread('D:/photo/08.jpg')

# 加载分类器
face_haar = cv2.CascadeClassifier("C:/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml")

# 把图像转为黑白图像
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#gray_img = cv2.GaussianBlur(gray_img, (5,5), 0, 0) #高斯滤波
# 检测图像中的所有脸
faces = face_haar.detectMultiScale(gray_img, 1.1, 4)
for face_x,face_y,face_w,face_h in faces:
    cv2.rectangle(img, (face_x, face_y), (face_x+face_w, face_y+face_h), (0,255,0), 2)

#cv2.imwrite('d:/photo/08_3.jpg', img)
cv2.namedWindow('img', cv2.WINDOW_NORMAL)
cv2.imshow('img', img)
cv2.waitKey(0) 
cv2.destroyAllWindows()

效果图：
此处输入图片的描述

先高斯滤波再检测人脸的效果图：
此处输入图片的描述

1.4.3 detectMultiScale()函数参数

detectMultiScale()函数

Detects objects of different sizes in the input image. The detected objects are returned as a list of rectangles.

C++: void CascadeClassifier::detectMultiScale(const Mat& image, vector<Rect>& objects, double scaleFactor=1.1, int minNeighbors=3, int flags=0, Size minSize=Size(), Size maxSize=Size())

Python: cv2.CascadeClassifier.detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]]) → objects

Python: cv2.CascadeClassifier.detectMultiScale(image, rejectLevels, levelWeights[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize[, outputRejectLevels]]]]]]) → objects

Parameters:
- cascade – Haar classifier cascade (OpenCV 1.x API only). It can be loaded from XML or YAML file using Load(). When the cascade is not needed anymore, release it using cvReleaseHaarClassifierCascade(&cascade). 传入生成的cascade.xml分类器文件
- image – Matrix of the type CV_8U containing an image where objects are detected. 灰度图
- objects – Vector of rectangles where each rectangle contains the detected object.
- scaleFactor – Parameter specifying how much the image size is reduced at each image scale. 图像尺度参数，默认1.1
- minNeighbors – Parameter specifying how many neighbors each candidate rectangle should have to retain it. 为每一个级联矩形应该保留的临近个数，默认为3，即至少有3次检测到目标，才认为是目标。
- flags – Parameter with the same meaning for an old cascade as in the function cvHaarDetectObjects. It is not used for a new cascade.
  - CV_HAAR_DO_CANNY_PRUNING，利用边缘检测来排除一些边缘很少或者很多的图像区域
  - CV_HAAR_SCALE_IMAGE，按正常比例检测
  - CV_HAAR_FIND_GIGGEST_OBJECT，只检测最大的物体
  - CV_HAAR_DO_ROUGH_SEARCH，只做粗略检测，默认值为0
- minSize – Minimum possible object size. Objects smaller than that are ignored.
- maxSize – Maximum possible object size. Objects larger than that are ignored.

参考资料

相关文章
1、用opencv自带的traincascade.exe训练给予haar特征和LBP特征的分类器《link》
2、采用opencv_cascadetrain进行训练的步骤及注意事项《link》
3、正式使用opencv里的训练和检测 - opencv_createsamples、opencv_traincascade-2.4.11版本《link》
4、使用opencv_traincascade训练Haar、HOG、LBP Adaboost分类器《link》
5、LBP特征的实现及LBP+SVM分类《link》
6、HandGestureDetection《link》
7、用opencv 里面的traincascade.exe训练时，出现错误解决方法《link》
8、opencv之利用opencv_traincascade级联分类器训练.xml文件《link》
9、第四十一篇：opencv中相关的训练的问题解答（经典）《link》
10、《FAQ:OpenCV Haartraining》——使用OpenCV训练Haar like+Adaboost分类器的常见问题《link》

AI人工智能科学

关注

16
点赞
踩
127

收藏

觉得还不错? 一键收藏
打赏
6
评论
利用opencv训练基于Haar特征、LBP特征、Hog特征的分类器cascade.xml

利用opencv训练基于Haar特征、LBP特征、Hog特征的分类器cascade.xmlauthor@jason_ql http://blog.csdn.net/lql07161 利用opencv训练基于Haar特征、LBP特征、Hog特征的分类器cascade.xml该训练是基于adaboost算法训练的。工具： 1、opencv_createsamples.exe 2、opencv_
复制链接

扫一扫