OpenCV中级联分类器Cascade训练方法（Linux）

最新推荐文章于 2024-04-23 21:35:03 发布

灼灼其华R

最新推荐文章于 2024-04-23 21:35:03 发布

阅读量1.7k

点赞数 3

文章标签：机器学习

本文链接：https://blog.csdn.net/qq_42779103/article/details/100146084

版权

OpenCV中级联分类器Cascade训练方法,实现目标检测

1.OpenCV中级联分类器简介
2.准备分类器训练所需的官方工具
3.准备训练数据（正样本、负样本）
- 1）文件夹结构
- 2）正负样本
4.训练
5.检测代码（仅供参考）

1.OpenCV中级联分类器简介

OpenCV中可供训练的分类器有两个：
- opencv_haartraining
  在其官方文档中提到opencv_haartraining已经是一个过时的应用
- opencv_traincascade
1. 该分类器是2.x版本中基于C++写的新版本的分类器。opencv_traincascade支持Haar和LBP。与Haar特征相比，LBP特征是整数特征，因此训练和检测过程都会比Haar特征快几倍。
2. LBP和Haar特征用于检测的准确率，是依赖训练过程中的训练数据的质量和训练参数。

2.准备分类器训练所需的官方工具

1）opencv_createsamples
- 用于准备训练数据的正样本和测试样本。
- opencv_createsamples可以生成支持opencv_haartraining和opencv_traincascade分类器的正样本数据。
- 输出文件是以.vec为后缀的包含图像信息的二进制数据类型。
2）opencv_traincascade
- 用于训练cascade分类器，注意stage。
3）opencv_performance
- 可以用来评估分类器的质量。
- 但仅对opencv_haartraining生成的分类器有效。

注意：所用文件位置：

在已配好OpenCV环境的状态下（一般在编译目录下）：
- Linux：/usr/local/bin/ 或者 …/opencv-3.4.1/build/bin
- Windows：…\opencv\build\x64\vc12\bin

3.准备训练数据（正样本、负样本）

1）文件夹结构

文件夹结构
classifier： 用于存放训练好的.xml文件。需要手动建立，否则最后stage保存会出现问题。
pos： 用于存放正样本图像
neg： 用于存放负样本图像
opencv_creatsamples
opencv_traincascade
pos.txt、neg.txt： 用于存放正负样本图像路径（可不必手动创建，之后自动生成）

2）正负样本

建议正样本和负样本的数量比例最好在1：2和1：3之间（为了尽可能地保证训练效果，当然不在这个比例之间也可训练），负样本图像中不要包含检测的目标并且要尽可能的多样化
将正样本规格化为同一尺寸，并转灰度（最好是8的倍数，我这里用的是32×32，也可以56×56等等，但是不推荐正样本尺寸太大）
负样本不需要规格化，但是要保证负样本的尺寸普遍大于正样本的尺寸，实在不放心可以把负样本给规格化了保证都大于正样本的尺寸
归一化后正负样本示例

附1：归一化文件名指令：

i=1; for x in *; do mv $x $i.jpg; let i=i+1; done

附2：归一化图像尺寸、灰度cv代码：

#include<iostream>
#include<string>
#include<opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main() {
   int imageNum = 29;
   string Path = "../../pos";
   Mat image_src, image_gray;
   for(int i = 1;i<=imageNum;i++){
   	string imagePath = cv::format("%s/%d.jpg",Path.c_str(),i);
   	cout<<imagePath<<endl;
   	image_src = cv::imread(imagePath);

   	cv::resize(image_src,image_src,cv::Size(32,32));
   	cvtColor(image_src, image_gray, CV_BGR2GRAY);

   	imshow("gray",image_gray);
   	imwrite(imagePath,image_gray);
   	cv::waitKey(30);
   }
   cout<<"Finish!"<<endl;
   return 0;
}

4.训练

1）生成正样本描述文件
- 生成正样本路径：
```
ls pos/*.* > pos.txt
```
- 替换描述信息：
  在pos.txt文本中ctrl+H将所有的jpg替换成jpg 1 0 0 32 32。 jpg后面的五个数字信息分别表示样本中目标个数、目标在图像中的起始位置x、y、样本的尺寸大小width、height。因为我的正样本只包含目标，所以样本的起始位置为0 0。
利用opencv_creatsamples生成描述文件.vec：
```
./opencv_createsamples -vec pos.vec -info pos.txt -num 29 -w 32 -h 32
```
其中-info表示指定的描述文件，-vec指定输出的vec文件名，-w-h表示规定的样本尺寸，-num表示创建的样本数目。

生成了pos.vec即说明成功：
2）生成负样本相对路径

注意：与正样本不同，负样本需要的为相对路径，但不需额外信息
```
ls ./neg/*.* > neg.txt
```
3）利用opencv_traincascade训练生成.xml
```
sudo ./opencv_traincascade -data classifier -vec pos.vec -bg neg.txt -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -numPos 29 -numNeg 30 -w 92 -h 112 -mode ALL -precalcValBufSize 1024   -precalcIdxBufSize 1024 -featureType LBP
```
- 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。
- 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。
- 其他人经验：（precalcValBufSize和precalcIdxBufSize这两个参数不知道是给整个训练过程分配的内存大小还是每个stage分配的内存大小，还有一些说法说这个是给每个样本分配的内存。。。我尝试设置为1024的时候报错内存不足，后来改成了256就可以了，但是设置得太小会导致训练的时间过长，建议多尝试几次尽量把这两个参数设置得大一点）
  
  训练完毕生成的cascade.xml：

5.检测代码（仅供参考）

#include<iostream>
#include<string>
#include<opencv2/opencv.hpp>
#include<opencv2/calib3d/calib3d.hpp>

#define IMAGE_NUM 136

using namespace std;
using namespace cv;
int main() {
	Mat image_src, image_gray, image_sample;
	static int sample_num = 1;
	for(int i = 1;i<=IMAGE_NUM;i++){
		string imagePath = cv::format("../src_data/%d.jpg",i);
		image_src = imread(imagePath);
		cout<<imagePath<<endl;
		cvtColor(image_src, image_gray, CV_BGR2GRAY);
		equalizeHist(image_gray, image_gray);	//直方图均衡化，增加对比度
		
		String face_cascade_name = "../cascade.xml";
		CascadeClassifier face_cascade, eyes_cascade;	//载入分类器
		if (!face_cascade.load(face_cascade_name)) {	//加载脸部分类器失败
			cout << "Load haarcascade_face.xml failed!" << endl;
			return 0;
		}

		vector<Rect> faceRect;
		face_cascade.detectMultiScale(image_gray, faceRect, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30));//检测

		for (size_t i = 0; i < faceRect.size(); i++){
			rectangle(image_src, faceRect[i], Scalar(0, 0, 255));      //用矩形画出检测到的位置
			image_sample = image_gray(faceRect[i]);
			string samplePath = cv::format("../data/%d.jpg",sample_num++);
			imwrite(samplePath,image_sample);	//保存样本
		}
		cv::imshow("src", image_src);         //显示当前帧
		string imagePath_save = cv::format("../data/image/%d.jpg",i);
		imwrite(imagePath_save,image_src);
		cv::waitKey(50);
	}
	cv::waitKey(0);
	return 0;
}