ubuntu下openCV-Haar特征分类器训练😺 😸 😻
更多精彩内容 |
---|
👉个人内容分类汇总 👈 |
- 这段时间在学openCV,准备做一个头部检测,但是openCV自带的分类器只有人脸检测的,而且准确度不高,就准备自己训练一个分类器。在网上看了很多的博客,都讲得不是很清楚,而且全是在windows上训练的,对与用习惯linux的我来说,用cmd实在是太痛苦了,而我没有在网上找到这方面的博客,甚至连opencv_createsamples和 opencv_traincascade在哪都没说只说在openCV目录下,但是直接安装的openCV下很多是没有的,对于新手来讲会非常迷茫,完全搞不懂。
- 然后我就到github上看openCV的仓库,发现仓库的apps目录下有分类器源码,觉得可以自己在linux下编译一个训练器
- 进过几次尝试,我发现openCV4以上版本源码编译出来是没有我需要的这两个训练器的,3以下版本的会报错,具体什么原因我不清楚,openCV-3.4.9版本的完全没有问题
一、安装Cmake
1、安装方法一
sudo apt install cmake
2、安装方法二
2.1 CMake 下载地址
-
-
或者执行命令
wget https://cmake.org/files/v3.16/cmake-3.16.5-Linux-x86_64.tar.gz
-
-
网盘 密码: uu89
-
这里我下载的是cmake-3.16.5-Linux-x86_64
2.2 安装配置
-
解压:
tar zxvf cmake-3.16.5-Linux-x86_64.tar.gz
-
移到opt目录下:
mv cmake-3.16.5-Linux-x86_64 /opt
-
建立软连接:
ln -s /opt/cmake-3.16.5-Linux-x86_64/bin/* /usr/bin
-
检测安装是否成功:
-
cmake --version
cmake version 3.16.5 CMake suite maintained and supported by Kitware (kitware.com/cmake).
-
二、编译openCV
1、下载
2、安装依赖
-
下面的步骤已经在Ubuntu18.04上测试过了,但是也可以在其他发行版上使用。
-
必需的包
- GCC 4.4.x 或更新
- CMake 2.8.7 或更高版本
- Git
- GTK+2.x 或更高版本, including 头 (libgtk2.0-dev)
- pkg-config
- Python 2.6或更高版本以及带有开发人员包的Numpy 1.5或更高版本(Python -dev, Python - Numpy)
- ffmpeg或libav开发包:libavcodec-dev,libavformat-dev,libswscale-dev
- [可选] libtbb2 libtbb-dev
- [可选] libdc1394 2.x
- [可选] libjpeg-dev, libpng-dev, libtiff-dev, libjasper-dev, libdc1394-22-dev
- [可选] CUDA Toolkit 6.5 or higher
-
sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main" sudo apt-get install build-essential # 如果安装了cmake 和git 的可以删下面的选项 sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev
3、编译
-
解压: unzip mirrors-opencv-3.4.9.zip
-
cd opencv mkdir build # 编译会生成很多文件,最好建一个文件夹来保存 cd build cmake ../ # 生成makefile 或者cmake ../ -DBUILD_opencv_world=ON #只生成一个libopencv_world.so make # 使用makefile编译 时间会很长,二十分钟的样子
*
-
编译好后就可以找我们需要的训练器了
cd build/bin # 这样就可以看见了
三、训练分类器
1、教程:
- https://www.w3cschool.cn/opencv/opencv-x6t12ej2.html
- http://woshicver.com/Eleventh/10_2_%E7%BA%A7%E8%81%94%E5%88%86%E7%B1%BB%E5%99%A8%E8%AE%AD%E7%BB%83/
2、准备样本
-
创建pos目录装正样本
- 正负样本都要转化成灰度图,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。
-
创建neg目录装负样本
- 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。
-
创建xml目录装训练数据
-
将训练器opencv_createsamples opencv_traincascade拷贝到当前路径下
-
ls -rt pos > pos.txt # pos.txt 正样本相对路径表 ls -rt neg > neg.txt # neg.txt 负样本相对路径表
-
修改pos.txt和neg.txt
-
gedit pos.txt
-
Ctrl + A 全选 ,然后按Tab 键
-
选一个空格
*
-
选择查找替换
-
全部替换,neg.txt的这一步替换长neg/
-
pos.txt还需要多一步,否则会报错,1 代表个数 0 0 代表照片的起点坐标,50 50 为我的照片的大小
*
3、生成描述文件
-
./opencv_createsamples -info pos.txt -vec pos.vec -bg neg.txt -num 2874 -w 50 -h 50
-
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
-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。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。。。
4、训练
-
注意: 这里要找一台好一点的电脑训练,我训练一万的样本,从最开始一天训练一级,然后每级的时间增加半天,到第五级已经差不多需要三天了,预计到20级没一两月搞不定
-
./opencv_traincascade -data xml -vec pos.vec -bg neg.txt -numPos 2000 -numNeg 7370 -numStages 20 -featureType HAAR -w 50 -h 50 # 注意大小写,写错可能不会报错,但是识别不了,就会使用默认值,这里我就被坑过 # 训练时间会非常非常长,我第一次用了198正样本、368负样本就训练了一个晚上,第二次用两千多的正样本,三千多的负样本就更长了,但是训练中途断了再执行命令时会继续上一次训练 # 注意 :这里的-numPos *** 一定要比 准备.vec文件时的 -num *** 小,否则在训练时可能会报错,显示找不到更多正样本
-
像我这里输入-numPos 2000 ,在训练到第三级时就需要2018个正样本,如果.vec里只有2000个就会找不到新的正样本,从而报错
-
以上参数的含义如下:
-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,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;
-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(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 :训练样本的宽(单位为像素,默认24);
-h :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;
-
最后等一晚上就可以得到训练的分类器了,cascade.xml就是我们的分类器
-
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TvQY2pQp-1585056094513)(/home/mhf/Nutstore%20Files/%E6%88%91%E7%9A%84%E5%9D%9A%E6%9E%9C%E4%BA%91/openCV/opencv_%E5%88%86%E7%B1%BB%E5%99%A8%E8%AE%AD%E7%BB%83.assets/image-20200313023532502.png)]
四、分类器
- 最后放上我的分类器链接
- 包含训练5级的分类器和训练15级的分类器,效果不是很好
- 链接: https://pan.baidu.com/s/17U3cGaZdGj6glBeWJThtLA 密码: oc5b
五、测试程序
import cv2
face = cv2.CascadeClassifier("./data/cascade.xml") #人脸识别
cap = cv2.VideoCapture(2)
while True:
ret, img = cap.read()
roi_color = 0
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #转换为灰度图片,haar特征都是在灰度上检测
faces = face.detectMultiScale(gray,1.3,5) #参数1:灰度图片数据 2:缩放比例 3:人脸大小不能小于5个像素
# 获取宽高信息,个人脸画方框
for (x,y,w,h) in faces:
# img:要画的图片,(x,y):起始坐标 ,(x+w,y+h):宽高,颜色,线条宽度
cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
cv2.imshow('10',img)
if cv2.waitKey(5) & 0xff == ord("q"):
break
cap.release()
cv2.destroyAllWindows()