opencv_traincascade 训练自己的分类器

 1、准备正负样本

首先需要对自己要训练的样本进行准备。样本的准备主要分为两部分：样本+样本描述文件。这里的样本为机器学习类样本，类似imagenet比赛的分类数据样本，一张一张图直接是一个个截取的目标。正样本最好统一大小，尽量resize到比较小的分辨率，训练时候更快消耗内存更少。

我这里由于是现有Faster RCNN训练下的样本，有图片和其对应目标位置的xml文件，因为针对xml文件，编写MATLAB程序读取目标位置并截图，获得正样本。（记录一下，非此类样本的直接略过）

foldername=dir('image');% 用于打开图片所在文件夹
n=1;%记录机器学习样本数
for i=1:2:length(foldername)-2
    imagename=strcat('image\',foldername(i+2).name);% 读取子文件夹的名字和路径
    im=imread(imagename);
    filename=strcat('image\',foldername(i+3).name);% 读取子文件夹标签，txt格式   
    xmlDoc = xmlread(filename, '%s');
    bbox_array = xmlDoc.getElementsByTagName('bndbox');
    n_object=bbox_array.getLength();%找到bbox有几个
    for j=1:n_object
        bbox = str2num(bbox_array.item(j-1).getTextContent());
        rect=[bbox(1),bbox(2),(bbox(3)-bbox(1)),(bbox(4)-bbox(2))];%x1,y1,x2,y2->x1,y1,w,h
        im2 = imcrop(im,rect);
        imwrite(imresize(im2,[64,64]),strcat('result2\',num2str(n),'.jpg'));%保存64*64大小
        n=n+1;
    end
end

获得正负样本图片后，生成样本描述文件，均用txt保存即可。其中，正负样本描述文件格式分别如下：

    

左边正样本每行为：图片路径+该图正样本个数+正样本的位置x、y+正样本的宽和高w、h；右边负样本只需要保存负样本图片路径。具体windows下可以在控制台语句 dir imgDir /b > filename.txt 产生路径，ctrl+F 替换 jpg 成 jpg 1 0 0 64 64 方式修改后面完成描述文件。

2、拷贝所需程序

在opencv的安装路径里找到训练所需程序，如D:\opencv2.4.9\build\x64\vc12\bin文件夹（该文件夹在安装opencv时候应该已经配置到了系统环境变量）里，找到所需exe： opencv_createsamples.exe，opencv_traincascade.exe 拷贝到样本描述文件所在的文件夹里，现有文件夹里文件如下：

positive文件夹存放正样本数据，negative文件夹存在负样本数据，两个txt分别为描述文件。

3、生成正样本.vec文件

在该文件夹内shift+鼠标右键，点击“在此处打开命令窗口”，打开控制台cmd，运行opencv_createsamples.exe，生成训练所需要的vec格式的文件。运行参数示例如：

opencv_createsamples.exe -info positive.txt -bg negative.txt -vec pos.vec -num 2000 -w 64 -h 64

其中的 -info指定正样本描述文件 ，-bg指定负样本描述文件 ， -vec是指定后面输出vec文件的文件名，-w和-h分别指正样本的宽和高，-num表示正样本的个数。执行完该命令后就会在当前目录下生产一个pos.vec文件了。

具体opencv_createsamples函数参数（转自http://www.cnblogs.com/panxiaochun/p/5345412.html）：

<-vec> 输出文件，内含用于训练的正样本；
<-img> 输入图像文件名（例如一个公司的标志）；
<-bg> 背景图像的描述文件，文件中包含一系列的图像文件名，这些图像将被随机选作物体的背景；
<-num> 生成的正样本的数目；
<-maxxangle> X轴最大旋转角度，必须以弧度为单位；
<-maxyangle> Y轴最大旋转角度，必须以弧度为单位；
<-maxzangle> Z轴最大旋转角度，必须以弧度为单位；
<-w> 输出样本的宽度（以像素为单位）；
<-h> 输出样本的高度（以像素为单位）。

4、训练分类器

采用opencv_traincascade函数训练分类器，这里本来是打算采用opencv_haarTraining训练器，然而其在opencv2.4.9里面还有，2.4.10后就没有了，而opencv_traincascade一直存在并且特征可选择。利用opencv_traincascade的运行命令如下：

opencv_traincascade.exe -data data -vec pos.vec -bg negative.txt -numPos 800 -numNeg 500 -featureType HOG -w 64 -h 64 -numStages 20

其中的-data指定生成的分类器xml存储文件夹名字，-bg指定负样本描述文件，-vec是指定前面输出vec文件的文件名，-numPos表示每级分类器训练时所用到的正样本数目，-numNeg表示每级分类器训练时所用到的正样本数目，-featureType指定训练使用HOG特征，-w和-h分别指正样本的宽和高，-numStages表示训练分类器的级数。这里注意：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，具体见下面参数。

具体opencv_traincascade函数参数（转载自：http://blog.csdn.net/quincuntial/article/details/50436699）：

<-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；
<-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；
<-numStages> 训练分类器的级数，强分类器的个数；
<-precalcValBufSize> 缓存大小，用于存储预先计算的特征值，单位MB；
<-precalcIdxBufSize> 缓存大小，用于存储预先计算的特征索引，单位MB；

<-baseFormatSave> 仅在使用Haar特征时有效，如果指定，级联分类器将以老格式存储。

5、训练

训练的过程可以随时停止，重新训练时，训练器会读取之前的参数，从停止的地方开始。训练中和训练完成可以看到-data文件夹下的产生的文件，打开可以看到stage中的参数等。