人脸识别自己训练模型

人脸识别自己训练模型

OpenCV3官方中的级联分类器目标检测——cv::CascadeClassifier，介绍了如何使用级联分类器进行目标检测。而且人家也训练好了，可以自己去opencv里面找。这里，我们介绍一下如何训练自己的级联分类器。

直接说明如何进行训练。在opencv的安装目录中的bin文件夹下有两个可执行文件opencv_createsamples.exe和opencv_traincascade.exe。将这两个文件拷贝到训练文件夹下，并将正、负样本的文件夹和描述文件——positive_samples.txt和negative_samples.txt也拷贝到这个文件夹下。同时，新建两个.bat文件——create_positive_samples.bat和traincascade.bat，新建一个文件夹data。这样，训练目录如下：

其中，-info字段填写正样本描述文件；-vec用于保存制作的正样本；-num制定正样本的数目；-w和-h分别指定正样本的宽和高。

这样，正样本制作完成。

字段说明如下：

-data：指定保存训练结果的文件夹；

-vec:指定正样本集；

-bg:指定负样本的描述文件夹；

-numPos：指定每一级参与训练的正样本的数目（要小于正样本总数）；

-numNeg:指定每一级参与训练的负样本的数目（可以大于负样本图片的总数）；

-numStage:训练的级数；

-w:正样本的宽；

-h:正样本的高；

-minHitRate:每一级需要达到的命中率（一般取值0.95-0.995）；

-maxFalseAlarmRate:每一级所允许的最大误检率；

-mode:使用Haar-like特征时使用，可选BASIC、CORE或者ALL；

另外，还可指定以下字段：

-featureType:可选HAAR或LBP，默认为HAAR;

其他字段将不再说明。

总结：

1数据准备。
Python代码。图片要记得同一尺寸，放到sample_positive文件夹里。
负样本数据要Python趴图片。


主要生出二进制的vector文件，执行bat时候系统报错少了D:\opencv\opencv3-3\opencv\build\x64\vc14\bin 里面opencv_world330.dll文件。放到同级目录下就可以了。


bat换行不能乱来
大小写ALL错了


-nstages 预先设定的分类器级数，但是如果你的负样本不给力的话，这句有跟没有一样，就是报这个参数不行，跑步起来。


-npos  每级需要的正样本的数目，这个值一定不要超过你的真实正样本的值（比如50张正样本，你就         设为45），不然就会assert报错，具体原因并不清楚，有点莫名其妙！


.样本选择的原则是：数量越多越好，尽量高于1000；样本间差异性越大越好


3.正负样本比例为1：3最佳，尺寸为20x20最佳

http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html

这篇文章写的最详细，最易理解。

本来打算讲一下用深度学习训练的方法，可是训练人脸识别的时候，把caffe搞崩了，所以后面懒得再按装了，所以就没继续搞了。很遗憾。但是我们导师要转到TensorFlow，有机会的话，可能会用tf来跑一下试试。

参考资料：

https://blog.csdn.net/guduruyu/article/details/70183372

http://www.opencv.org.cn/opencvdoc/2.3.2/html/modules/gpu/doc/object_detection.html?highlight=cascadeclassifier
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/objdetect/cascade_classifier/cascade_classifier.html?highlight=cascadeclassifier
http://www.opencv.org.cn/opencvdoc/2.3.2/html/modules/objdetect/doc/cascade_classification.html?highlight=opencv_traincascade
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html?highlight=opencv_haartraining