opencv+adaboost的使用

一、样本的准备，需要创建这几个文件夹，其中neg是负样本，pos是正样本，src是源图像（可没有）,xml用来存储模型

      以行人训练为例，首先正样本是各种各样的行人的照片，负样本就是非人照片。样本个数最好在上千个，个数太少训练出来的分类器不能准确的检测行人，网上对正负样本的个数比例不尽相同，有的说3:1有的说7:3,具体的还是要自己去实验，我用的正样本有2000个负样本1200个。把正负样本分别放在不同的文件夹下，可以命名为pos、neg。同时也要把opencv自带的训练函数和正负样本一起放到一个文件夹下，例如放盘的boost文件夹下。如图这样就准备好了正负样本了。

ps：对正负样本的几点说明：

      正负样本都要转化成灰度图（两类样本都要是灰度图！！！！），而且对于正样本用haar特征训练是规格化成20*20或其他大小，最好不要太大，过多的haar特征会影响分类器的训练时间；对于LBP特征正样本要规格化为24*24大小，而对于HOG要规格化成64*64. 负样本对尺寸没有统一要求，在训练对应的分类器时，选择的负样本尺寸一定要大于等于正样本规定的尺寸。

 

a，正样本就是人的图片就行了，尽量包含少的背景。

b，负样本有两点要求：1）不能包含正样本且尽可能多的提供场景的背景图；2）负样本尽可能的多，而且要多样化，和正样本有一定的差距但是差别也不要太大，否则容易在第一级就全部被分类器reject，训练时不能显示负样本的个数，从而导致卡死。

 二。对样本的处理

进入识别所在的目录

利用目录下的bat文件生成num.txt

输入dir /b >pos.txt 可以在pos文件夹下生成正样本描述文件，文件是txt文件，包含的内容是正样本中图片的对应序号和格式。把其中的格式jpg改成jpg 1 0 0 20 20。如下所示：

 

 把最后一行的pos.txt删除就可以了。对于负样本，以上生成方式一样，不需要对txt文件的图片格式进行修改，只需要删除最后一行的neg.txt即可。这样正负样本就处理好了。。
 

三、生成样本描述文件

    对正负样本进行以上预处理之后，就可以创建正样本vec文件了。

   命令行进入opencv_createsamples.exe文件夹下，依次输入：opencv_createsamples.exe -info pos\pos.txt -vec pos.vec -bg neg\neg.txt -num 2000 -w 20 -h 20 回车之后文件夹下就会出现pos.vec文件。如下：

下面是错误的！错误的！错误的，

这是因为使用bat文件生成目录后，没有对txt文件格式化：jpg -> jpg 1 0 0 20 20

增加以下

 

出现以下错误

需要将生成的描述文件都放在可执行程序目录下

以下这种情况也是不正常的！！！执行很长时间也没有结果！！！主要原因就是没有修改jpg->jpg 1 0 0 20 20将目标与背景的路径文件都放在exe目录下后，再使用createsamples可执行程序再次执行如下:opencv_createsamples.exe -info num_pos.txt -vec pos.vec -bg num_neg.txt -num 1459 -w 20 -h 20

正确的如下：

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）

只需要对正样本进行以上操作，负样本不需要生成vec文件。。。

 

四、训练分类器

    在以上准备工作都做好的情况下，就可以进行训练分类器了。

    在cmd命令行下输入：opencv_traincascade.exe -data xml -vec pos.vec -bg neg\neg.txt -numPos 1800 -numNeg 1200 -numStages 20 -featureType LBP -w 24 -h 24。按enter就可以进入训练阶段了。如下：

(注意：-numPos -numNeg -numStages，这几个大写字母，如果不大写，则程序读取不到参数，仍按照默认执行，则会提示错误)

(gh)

我这里的传入的参数没有写成大写，所以仍然按照默认的参数，而实际情况下是我没有那么多的样本，所以出错。而满足这个样本条件的公式如下：

很多人会卡在这里，我也被卡了一个下午，很多人以为这里的-numPos 就是你所谓的正样本的总数，那你就大错特错了。这里有个公式，我们需要通过这个来求解这个-numPos，过程如下：

1. vec-file number >= (numPos + (numStages-1) * (1 – minHitRate) * numPos) + S

vec-file number  就是我们的正样本总数5085，numstages=20,minHitRate=0.98,S 表示负样本总数也就是等于2177，这样我们可以就差numPos<=2628.9,所以我们这里的numPos应该去2628，这样正确地输入格式应该是这样的：

 

下面这张图是错误的，错误的，错误的！！！！！！

pencv_traincascade.exe的命令行参数解释如下：

通用参数：

-data <cascade_dir_name>：目录用于保存训练产生的分类器xml文件和中间文件（对于上面的LBP_classifier），如不存在训练程序会创建它；

-vec <vec_file_name>：由 opencv_createsamples 程序生成的包含正样本的vec文件名（对应上面的pos_24_24.vec）；

-bg <background_file_name>：背景描述文件，也就是包含负样本文件名的那个描述文件（对应上面的neg\neg.txt）；

-numPos <number_of_positive_samples>：每级分类器训练时所用的正样本数目（默认值为2000）；
-numNeg <number_of_negative_samples>：每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目（默认值为1000）；

-numStages <number_of_stages>：训练的分类器的级数（默认值为20级）；

-precalcValBufSize <precalculated_vals_buffer_size_in_Mb>：缓存大小，用于存储预先计算的特征值(feature values)，单位为MB（默认值为256）；
-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>：缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB（默认值为256）；

内存越大，训练时间越短。
-baseFormatSave：这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储（默认不指定该参数项，此时其值为false；一旦指定则其值默认为true）；

级联参数：CvCascadeParams类，定义于cascadeclassifier.h
-stageType <BOOST(default)>：级别（stage）参数。目前只支持将BOOST分类器作为级联的类型；
-featureType<{HAAR(default), LBP}>：特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征（默认Harr）；
-w <sampleWidth>：训练样本的宽（单位为像素，默认24）；
-h <sampleHeight>：训练样本的高（单位为像素，默认24）；
训练样本的尺寸必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。

Boosted分类器参数：CvCascadeBoostParams类，定义于boost.h
-bt <{DAB, RAB, LB, GAB(default)}>：Boosted分类器的类型（DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost为默认）；
-minHitRate <min_hit_rate>：分类器的每一级希望得到的最小检测率（默认值为0.995），总的检测率大约为 min_hit_rate^number_of_stages；
-maxFalseAlarmRate <max_false_alarm_rate>：分类器的每一级希望得到的最大误检率（默认值为0.5），总的误检率大约为 max_false_alarm_rate^number_of_stages；
-weightTrimRate <weight_trim_rate>：Specifies whether trimming should be used and its weight，一个还不错的数值是0.95；
-maxDepth <max_depth_of_weak_tree>：弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）；

-maxWeakCount <max_weak_tree_count>：每一级中的弱分类器的最大数目（默认值为100）。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate；

 

按照上面的语句进行执行时，再次提示错误，需要将neg.txt放到exe的目录下，同时将neg.txt的文件目录更改一下

将neg文件移至boost目录下，并将路径更改一下：，否则在后面进行训练的时候，不能够执行

 

下面这个错误就是在目录下没有xml文件夹，因此创建xml文件夹就可以了

错误的!!!!!!!!!提示out of memory，我这里使用的是32位程序，将程序及opencv_world都换成64位即可

 

以下，则可以执行

 

关于输入参数的选择

负样本

负样本只需要生成路径文件，不需要生成vec文件，具体步骤跟上面类似，要注意的是负样本要尽可能比正样本多，大概十倍的样子吧。

一些参数解释

• data 训练的分类器的存储目录
• vec 正样本文件，由open_createsamples.exe生成，正样本文件后缀名为.vec
• bg 负样本说明文件，主要包含负样本文件所在的目录及负样本文件名
• numPos 每级分类器训练时所用到的正样本数目，应小于vec文件中正样本的数目，具体数目限制条件为：numPos+（numStages- 1）numPos（1- minHitRate）<=vec文件中正样本的数目。根据我的经验，一般为正样本文件的80%
• 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。根据我的经验，一般为numPos的2-3倍
• numStages 训练分类器的级数，强分类器的个数。根据我的经验，一般为12-20
• precalcValBufSize 缓存大小，用于存储预先计算的特征值，单位MB，根据自己内存大小分配
• precalcIdxBufSize 缓存大小，用于存储预先计算的特征索引，单位MB，根据自己内存大小分配
• featureType 训练使用的特征类型，目前支持的特征有Haar，LBP和HOG
• w 训练的正样本的宽度
• h 训练的正样本的高

进阶参数

• minHitRate 影响每个强分类器阈值，每一级分类器最小命中率，表示每一级强分类器对正样本的的分类准确率
• maxFalseAlarm 最大虚警率，影响弱分类器的阈值，表示每个弱分类器将负样本误分为正样本的比例，一般默认值为0.5
• weightTrimRate 0- 1之间的阈值，影响参与训练的样本，样本权重更新排序后(从小到大)，从前面累计权重小于(1- weightTrimRate)的样本将不参与下一次训练，一般默认值为0.95
• maxDepth 每一个弱分类器决策树的深度，默认是1，是二叉树（stumps），只使用一个特征。
• maxWeakCount 每级强分类器中弱分类器的最大个数，当FA降不到指定的maxFalseAlarm时可以通过指定最大弱分类器个数停止单个强分类器

命令总结：

opencv_createsamples.exe -info num_pos.txt -vec pos.vec -bg num_neg.txt -num 1457 -w 20 -h 20
opencv_traincascade.exe -data model_xml -vec pos.vec -bg num_neg.txt -numPos 800 -numNeg 1600 -numStages 20 -featureType haar -mode ALL -w 20 -h 20 -maxFalseAlarmRate 0.3
 

参考文献：

1.https://blog.csdn.net/u010402786/article/details/52298833

2.https://blog.csdn.net/jacke121/article/details/76557518?locationNum=6&fps=1

3.https://blog.csdn.net/martinkeith/article/details/104206348

4.https://www.jianshu.com/p/8a87d0c66d9f