opencv 训练分类器（opencv_traincascade和opencv_createsamples）

• 使用opencv_traincascade和opencv_createsamples生成自己的训练文件并进行训练

     opencv_createsamples.exe#生成 训练集的vec文件

opencv_createsamples.exe -info posdata -vec data\pos.vec -num 你所需要创建的正样本数量（一般为正样本内文件数目的0.9倍） -w 20 -h 20

    首先需要建立包含所有图片目录的文件（正负样本各一个），eg：

pos.txt  (负样本为neg.txt)

然后修改为

    

#利用文本编辑器的 查找替换 jpg 为 1 0 0 20 20   ，1为标记，0 0 20 20 为样本中所需物品的坐标，因为我是一张图片就是一个物品，而且图片为20*20像素，所以直接批量替换为 0 0 20(width) 20(height) ,

opencv_traincascade.exe #训练分类器

opencv_traincascade . exe -data data1 -vec data \ pos . vec -bg 64 negdata numPos 243 -numNeg 300 -minHitRate 0.9999 -maxFalseAlarmRate 0.5 -featureType HA

通用参数：

-data<cascade_dir_name>

目录名，如不存在训练程序会创建它，用于存放训练好的分类器

-vec<vec_file_name>

包含正样本的vec文件名（由 opencv_createsamples 程序生成）

-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

-numPos<number_of_positive_samples>

每级分类器训练时所用的正样本数目

-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

-numStages<number_of_stages>

训练的分类器的级数。

-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

-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。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

级联参数：

-stageType<BOOST(default)>

级别（stage）参数。目前只支持将BOOST分类器作为级别的类型

-featureType<{HAAR(default),LBP}>

特征的类型： HAAR - 类Haar特征；LBP - 局部纹理模式特征

-w<sampleWidth>

-h<sampleHeight>

训练样本的尺寸（单位为像素）。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：

-bt<{DAB,RAB,LB,GAB(default)}>

Boosted分类器的类型： DAB - Discrete AdaBoost,RAB - Real AdaBoost,LB - LogitBoost, GAB - Gentle AdaBoost

-minHitRate<min_hit_rate>

分类器的每一级希望得到的最小检测率（正样本被判成正样本的比例）。总的检测率大约为 min_hit_rate^number_of_stages。可以设很高，如0.999

-maxFalseAlarmRate<max_false_alarm_rate>

分类器的每一级希望得到的最大误检率（负样本被判成正样本的比例）。总的误检率大约为 max_false_alarm_rate^number_of_stages。可以设较低，如0.5

-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。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given-maxFalseAlarmRate

类Haar特征参数：

-mode<BASIC(default)| CORE|ALL>

选择训练过程中使用的Haar特征的类型。 BASIC 只使用右上特征， ALL 使用所有右上特征和45度旋转特征

• 生成XML文件在data（自己设置的文件目录）
• 测试分类器

• import cv2
   
  mouse_haar = cv2 . CascadeClassifier ( "data/cascade.xml" )
   
  cam = cv2 . VideoCapture ( 0 )
   
  while True :
  _ , img = cam . read ( )
  gray_img = cv2 . cvtColor ( img , cv2 . COLOR_BGR2GRAY )
          
           #http://docs.opencv.org/2.4/modules/objdetect/doc/cascade_classification.html
  mouse = mouse_haar . detectMultiScale ( gray_img , 1.2 , 3 ) # 调整参数
   
  for mouse_x , mouse_y , mouse_w , mouse_h in mouse :
  cv2 . rectangle ( img , ( mouse_x , mouse_y ) , ( mouse_x + mouse_w , mouse_y + mouse_h ) , ( 0 , 255 , 0 ) , 2 )
   
  cv2 . imshow ( 'img' , img )
  key = cv2 . waitKey ( 30 ) & 0xff
  if key == 27 :
  break
   
  cam . release ( )
  cv2 . destroyAllWindows ( )