本文是在样本处理完成情况下,进行分类器训练。关于分类器训练网上有很多讲解,但是对于初学者还是有一定难度,这可能与个人学习笔记的习惯有关。对此我讲我学习的总结下来以图像方式展示给大家。
执行命令:opencv_haartraining.exe -data xml -vec pos.vec -bg neg.txt -nstages 10 -nsplits 1 -npos 35 -nneg 100 -mem 1280 -mode all -w 30 -h 30
命令讲解:opencv_haartraining.exe 这是一个opencv自带的可执行函数,用于实现对分类器的训练。直接在doc下用命令执行即可,存放路径一般为:
..\opencv\build\x86\vc11\bin(一般我们用的是win32位环境下的运行程序(参考:
http://www.cnblogs.com/linmengran/p/5898303.html),
因此在opencv环境配置时就只加入了x86的bin路径,因此在这里选取x86下的opencv_haartraining.exe )。这里我为了找路径方便与
样本文件放在同一目录下这样可以找到 很容易调取 mlx文件夹,和pos.vec、neg.txt,也可以直接调用。
-data xml 存储训练时的生成的文件。最终生成一个.xml文件,如下图:
xml文件夹内容:
-vec pos.vec 调用.vec文件,与neg.txt放在同一目录下。
-bg neg.txt 负样本生成文件,可以理解成是负样本的索引。
-nstages 10 训练级数
-nsplits 1 2表示弱分类器二叉决策树的分裂数 1表示使用简单stump 分类(只有一个树桩)
-npos 35 正样本数量
-nneg 100 负样本数量
-mem 1280 训练时内存预留的空间1280MB
-mode all 级联器的类型,all代表所有类型
-w 30 图片的宽30像素,必须与之前一致
-h 30 图片的高30像素,必须与之前一致
执行结果如下:
训练结果:
运用其训练的结果测试了一下:
但是效果不是很稳定,有时会变得不准确,这与分类器的样本和测试方式,以及测试代码有关,目前修改中,以后附上测试代码。
其他参考命令:
- " -data <dir_name>\n"
- " -vec <vec_file_name>\n"
- " -bg <background_file_name>\n"
- " [-bg-vecfile]\n"
- " [-npos <number_of_positive_samples = %d>]\n"
- " [-nneg <number_of_negative_samples = %d>]\n"
- " [-nstages <number_of_stages = %d>]\n"
- " [-nsplits <number_of_splits = %d>]\n"
- " [-mem <memory_in_MB = %d>]\n"
- " [-sym (default)] [-nonsym]\n"
- " [-minhitrate <min_hit_rate = %f>]\n"
- " [-maxfalsealarm <max_false_alarm_rate = %f>]\n"
- " [-weighttrimming <weight_trimming = %f>]\n"
- " [-eqw]\n"
- " [-mode <BASIC (default) | CORE | ALL>]\n"
- " [-w <sample_width = %d>]\n"
- " [-h <sample_height = %d>]\n"
- " [-bt <DAB | RAB | LB | GAB (default)>]\n"
- " [-err <misclass (default) | gini | entropy>]\n"
- " [-maxtreesplits <max_number_of_splits_in_tree_cascade = %d>]\n"
- " [-minpos <min_number_of_positive_samples_per_cluster = %d>]\n"