Adaboost应用系列之一:Opencv2.0中利用Adaboost训练Haar特征产生xml分类器

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/u012564690/article/details/16840875

网上很多如题的内容,我结合自己的亲身使用整理归纳了一下,供大家参考:

1.采集样本

(1)正样本就是图片中只有你需要的目标,而负样本的图片只要其中不含有目标就可以了。使用批量截图工具(光影魔术手,美图看看之类的)或者人工截图采集正负样本,但是正样本图片最好是裁剪成同一尺寸或者高宽比大致相同;

(2)其次是训练样本要和最终的应用场合非常接近或者一致。否则,基于机器学习的算法并不能保证算法的有效性。举个例子,要检测的目标是汽车,那么正样本就应该是仅仅含有汽车的图片,而负样本应该尽量是包含摩托车、三轮车、自行车、行人、路面、灌木丛、花草、交通标志、广告牌等的图片;

(3)最后,训练样本要足够多,上千张是最低保证,而且负样本要稍微比正样本多(正负样本比例1:2.5至1:3左右),可以降低false positive。


2.预处理样本

(1)对所有的正样本进行尺寸归一化(可以编程实现或使用批量处理工具),负样本不需要,但是负样本图像尺寸应该比训练窗口(这里是30*30)的尺寸大,因为这些图像将被用于抠取负样本,并将负样本缩小到训练窗口大小。

(2)我这里是统一正样本尺寸等于训练窗口尺寸(30*30),样本尺寸大小会影响到后面的训练速度,建议不要太大。

(3)无论正样本负样本,图片命名时不要用特殊字符,建议简单化用数字名字。将正负样本分别放在两个不同的文件夹下面,分别取名pos和neg,其中pos用来存放正样本图像,neg用来存放负样本。



3.生成正负样本描述文件

(1)正样本描述文件的格式是:文件名 目标个数 目标在图片中的位置(x,y,width,height)。例如每个正样本图片只包含一个目标,图片尺寸为30*30,则格式如下:

0.bmp 1 0 0 30 30
1.bmp 1 0 0 30 30
2.bmp 1 0 0 30 30

…………

(2)生成正样本描述文件:在cmd下进入pos文件夹目录里,输入  dir /b > pos.txt:


再用notepad++之类的编辑软件打开它,删除最后一行的pos.txt:


再使用查找替换的办法(编程实现当然更高端)将pos.txt的每行转化为(1)所说的描述文件的格式:


最后的结果如下:


(3)生成负样本描述文件:在cmd下进入neg文件夹目录里,输入  dir /b > neg.txt:


再用notepad++之类的编辑软件打开它,删除最后一行的neg.txt即可,不用更改格式:



4.创建正样本vec文件

(1)HaarTraining训练的需要输入的正样本是vec文件,所以这里使用opencv自带的opencv_createsamples程序(opencv安装路径下面的bin文件夹)来将正样本转换为vec文件。如图将程序拷贝到neg和pos同一目录:


(2)在CMD下输入如下命令:
opencv_createsamples.exe -vec pos.vec -info pos\pos.txt -bg neg\neg.txt -w 30 -h 30 -num 1416
以上参数的含义如下:
-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)

(3)执行之后就会在当前目录产生一个pos.vec的文件:


得到的vec文件:,负样本不需要创建vec文件。


5.训练样本

(1)可以使用opencv自带的opencv_haartraining.exe来训练,也可以使用opencv_traincascade.exe进行训练。他们的不同之处在于后者是前者的新版本;而且前者只针对Haar特征,而后者除了训练Haar之外可以训练别的特征,如HOG、LBP等。我这里使用opencv_haartraining.exe为例子。

(2)将程序拷贝至当前目录,并新建一个classifier目录用于存放训练好的分类器:


(3)在CMD下输入如下命令:

opencv_haartraining.exe -data classifier -vec pos.vec -bg neg\neg.txt -w 30 -h 30 -mem 500 -mode all

程序的命令行参数如下:
-data<dir_name>:存放训练好的分类器的路径名(上面的classifier目录);
-vec<vec_file_name>:正样本文件名(上面得到的pos.vec文件);
-bg<background_file_name>:背景描述文件(上面得到的neg.txt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;

-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。

(4)开始训练,样本数目如果多的话时间挺长的:


训练完成的提示如下:


训练完成后classifier目录下生成中间数据(意义在于当训练程序被中断后,再重新运行训练程序将读入之前的训练结果,而不需从头重新训练。训练结束后,你可以删除这些中间文件),并同时生成classifier.xml分类器文件。



6.测试与使用

(1)测试:opencv_performance.exe可以测试得到的分类器性能,但只能评估 opencv_haartraining 输出的分类器。它读入一组标注好的图像,运行分类器并报告性能,如检测到物体的数目,漏检的数目,误检的数目,以及其他信息。


(2)使用:得到分类器后可以在程序中加载xml文件并使用对应接口来测试效果。




参考:

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html

http://hi.baidu.com/ccb163163/item/22ba182edcc6fac00e37f9dd

http://blog.csdn.net/xidianzhimeng/article/details/10470839

http://blog.csdn.net/chlele0105/article/details/12043151

http://blog.csdn.net/carson2005/article/details/8171571

http://jingyan.baidu.com/article/4dc40848f50689c8d946f197.html

http://www.xuebuyuan.com/501993.html



展开阅读全文

没有更多推荐了,返回首页