opencv_traincascade训练分类器

1. 训练分类器简介

有如下几个需要考虑的地方：

*准备正样本：

越多越好（场景相对固定的场景下，大约1000个样本较为合理）

*准备负样本：

分为两个类别，工作场景负样本，非工作场景负样本。两者比重约为1:2

*特征选择：

本次选择LBP特征，主要考虑因素是速度。

*分类器选择：

ADB

2重要步骤：

2.1 准备正样本：

工具：*labelImg：在图像中进行目标定位和打标

*cvt_xml：将xml文件描述转换为opencv的目标描述方式

*opencv_createsamples：通过样本图像和描述文档生成.vec样本文件

1. 1. 1. LabelImg的使用：

建议文件存放结构为(专为转opencv样本描述文件，对于多类打标，不必要)

--pos_imgs

--pos_1

--pos_2

--..

--pos_n

labelImg会对每一张图生成一个同名的.xml文件。

2.1.2cvt_xml的使用：

分别设置如下信息：

对象类别名称， objName

存放xml文件的路径， pathName

生成描述文件的文件名，cvDsFileName

最终生成的文件方式如下：

*红色圈内是图像的文件名。

如图，img5.bmp

*蓝色方框是该图像中样本的个数。

如图，13，表示本图中有13个绿框对应的样本

*每个绿色框表示某一个样本的Rectangle,用四个数字表示x,y, w, h。

如图，有3个绿框（一共有13个，其余的没有显示）

cvt_xml的源代码：https://github.com/seanXYZ/cvt_xml

2.1.3opencv_createsamples：

Tips:

https://blog.csdn.net/sean_xyz/article/details/80002266

这篇博客较为清楚地描述了opencv_createsamples的用法和坑~

1. 2. 准备负样本：

负样本的重要性通常容易被忽略（海量正样本确实可以），其中一个需要注意的地方是，区分分类器的使用场所，如果是固定场景内，那么负样本最好加入一定数量场景内的图像，训练的时候总的负样本可以适当少一些。这样做最终不仅训练和检测速度快，而且准确度也比较高。

工具：

*Inpaint：图像修复工具，将场景图像中的目标去掉。

*resize：对负样本进行若干个尺度的缩放。

场景内负样本：

Inpaint处理后是使用inpaint 技术消除掉目标。

但这还是有些太麻烦，毕竟inpait运算量巨大。可以直接使用黑色块抹掉正目标。

场景外负样本：       

跟样本无关的都可以

1. 1. 训练：

opencv_traincascade -data result -vec pos1\t0.vec -bg ./bg_com/bg_com.txt -numPos 200-numNeg 15000 -numStages 12 -featureType LBP

基本常用参数意义如下：

-dataresult 存放训练的中间结果，参数以及最终结果

-vecpos1\t0.vec 正样本文件名

-bg./bg_com/bg_com.txt 负样本描述文件，负样本是通过随机数在图像中切出来的

-numPos200 正样本个数，不超过.vec的数量

-numNeg15000 负样本个数，通常比正样本高一两个数量级

-numStages12 级联分类器层数，单一场景下，通常7~8就可以得到比较好的结果了

-featureTypeLBP 特征选择，LBP速度优势明显

其他参数：