OPENCV中CASCADE的生成

在网上找了很多有关于OPENCV生成CASCADE的文章，大多数都来自同一篇文章，但文章有些老而且不好用
我在一个CASCADE2XML程序中找到了其自述文档，写的相当细致，我将其翻译过来，希望后来人能够看到少走弯路
另外，现在的OPENCV是1.1pre版已经不存在生成的CASCADE转换为XML文件的问题了，这个问题可以忽略

致意
这个小文档告诉你怎样去建立自己的层级训练集。
假设你已经安装了OpenCv和你已经安装了windows。
在这个指导文档使用了额OpenCv beta 5。
准备工作：
要保证不出现用户命名的错误，你应该解开tools.rar文档并放在硬盘根目录下d:\。
*)

在..\temp\negetive文件夹你应该保存不包含"目标"的图片。
在你有了一大堆背景图片后（比如2500个），你就可以用批处理文件create_list.bat
这个文件自动建立一个bmp文件的清单并保存到infofile.txt中。
在infofile.txt文件中应该包含这样的行: image2619.bmp
img2620.bmp
...
在这个地址你能找到大量的上千的图片可以下载。
http://www.pascal-network.org/challenges/VOC/databases.html#VOC2005_1
*) 在..\temp\positive\rawdata你应该保存包含目标的bmp文件
在使用..\temp\positive\objectmarker.exe后，readme.txt解释了这个工具如何使用。
这个工具生成info.txt文件。每一行都这样写：rawdata/image0.bmp 1 146 109 47 46
你应该经常保存info.txt文件，因为每次调用objectmarker.exe都会覆盖info.txt文件。

生成样本：
*) 到现在你应该有了：
file : \temp\negative\infofile.txt 里面的文字应该类似于"image2619.BMP"
file : \temp\positive\info.txt 里面的文字应该类似于"rawdata/image0.bmp 1 146 109 47 46"
*) 现在你可以使用createsamples.exe工具去把目标图像打包成vec向量文件
比如createsamples.exe -info positive/info.txt -vec data/vector.vec -num 1800 -w 24 -h 24
这句话的意思是你将生成vector.vec到\temp\data文件夹
-num的意思是有多少个图片，你应该换成你想要的的个数
你可以是用samples_creation.bat批处理

训练：
*) 在你有了vector.vec文件之后你就可以开始训练了
命令是：
haartraining.exe -data data/cascade -vec data/vector.vec -bg negative/infofile.txt -npos 1800 -nneg 2620 -nstages 20 -mem 1000 -mode ALL -w 24 -h 24 -nonsym
开始训练，
其中，参数是：
-data data/cascade - 生成层级数据的文件夹，每级都会生成如\temp\data\cascade\0..N\AdaBoostCARTHaarClassifi er.txt的文件。
-vec data/vector.vec - 用createsamples.exe生成的vec文件
-bg negative/infofile.txt \temp\negative\文件夹中的bmp反例图片文件
-npos 180 正例图片的个数
-nneg 2620 反例图片的个数
-nstages 30 层级数量的个数, 计算20层需要20小时左右(在p4 3,2ghz , 2gb ddr ram条件)
-mem 1000 运行程序需要的内存大小
-mode ALL 查看帮助文档获得更多信息
-w 24 -h 24 训练集的大小
-nonsym 如果图片是水平的就用不找此选项

你可以使用批处理文件"haarTraining.bat"来作此操作
haartraining.exe在运行时会产生这样的输出：
_________________________________________________________________________________

Parent node: 17

*** 1 cluster ***
POS: 1656 1799 0.920511
NEG: 2410 1.97289e-005
BACKGROUND PROCESSING TIME: 1279.69
Precalculation time: 63.20
+----+----+-+---------+---------+---------+---------+
| N |%SMP|F| ST.THR | HR | FA | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
| 1|100%|-|-0.312590| 1.000000| 1.000000| 0.256272|
+----+----+-+---------+---------+---------+---------+
| 2|100%|-|-0.537043| 1.000000| 1.000000| 0.294638|
+----+----+-+---------+---------+---------+---------+
| 3|100%|-|-0.776489| 1.000000| 1.000000| 0.238072|
+----+----+-+---------+---------+---------+---------+
| 4|100%|-|-1.415237| 1.000000| 1.000000| 0.264879|
+----+----+-+---------+---------+---------+---------+
| 5| 96%|-|-1.120346| 0.996981| 0.969710| 0.242253|
+----+----+-+---------+---------+---------+---------+
| 6| 84%|-|-1.471691| 0.996981| 0.956432| 0.218888|
+----+----+-+---------+---------+---------+---------+
| 7| 82%|-|-1.187260| 0.996981| 0.909959| 0.230939|
+----+----+-+---------+---------+---------+---------+
| 8| 83%|-|-1.209699| 0.995773| 0.897510| 0.216675|
+----+----+-+---------+---------+---------+---------+
| 9| 83%|-|-1.187195| 0.995169| 0.848548| 0.196754|
+----+----+-+---------+---------+---------+---------+
| 10| 81%|-|-1.332160| 0.995169| 0.880498| 0.178062|
+----+----+-+---------+---------+---------+---------+
| 11| 83%|-|-1.529588| 0.995773| 0.881328| 0.190113|
+----+----+-+---------+---------+---------+---------+
| 12| 81%|-|-1.529296| 0.995169| 0.859751| 0.178554|
+----+----+-+---------+---------+---------+---------+
| 13| 80%|-|-1.471163| 0.995169| 0.820332| 0.165765|
+----+----+-+---------+---------+---------+---------+
| 14| 80%|-|-1.439857| 0.995169| 0.797095| 0.157895|
+----+----+-+---------+---------+---------+---------+
| 15| 79%|-|-1.366838| 0.995169| 0.755602| 0.149287|
+----+----+-+---------+---------+---------+---------+
| 16| 77%|-|-1.357297| 0.995169| 0.729046| 0.148303|
+----+----+-+---------+---------+---------+---------+
| 17| 77%|-|-1.350920| 0.995169| 0.698755| 0.142892|
+----+----+-+---------+---------+---------+---------+
| 18| 77%|-|-1.286876| 0.995169| 0.657261| 0.140187|
+----+----+-+---------+---------+---------+---------+
| 19| 76%|-|-1.340796| 0.995169| 0.643983| 0.137236|
+----+----+-+---------+---------+---------+---------+
| 20| 75%|-|-1.258729| 0.995169| 0.607054| 0.135022|
+----+----+-+---------+---------+---------+---------+
| 21| 75%|-|-1.259443| 0.995169| 0.594606| 0.124447|
+----+----+-+---------+---------+---------+---------+
| 22| 75%|-|-1.247393| 0.995169| 0.578008| 0.121249|
+----+----+-+---------+---------+---------+---------+
| 23| 74%|-|-1.189301| 0.995169| 0.539419| 0.118790|
+----+----+-+---------+---------+---------+---------+
| 24| 74%|-|-1.278121| 0.995169| 0.547303| 0.116822|
+----+----+-+---------+---------+---------+---------+
| 25| 73%|-|-1.194187| 0.995169| 0.503734| 0.115347|
+----+----+-+---------+---------+---------+---------+
| 26| 73%|-|-1.216452| 0.995169| 0.484232| 0.110182|
+----+----+-+---------+---------+---------+---------+
Stage training time: 7788.05
Number of used features: 26

Parent node: 17
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+
| 0| 1| 2| 3| 4| 5| 6| 7| 8| 9| 10| 11| 12| 13| 14| 15| 16| 17| 18|
+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+---+

0---1---2---3---4---5---6---7---8---9--10--11--12--13--14--15--16--17--18




_________________________________________________________________________________

*) 在完成20层的计算之后我也们可以继续进行，这时候的错误率是 >=1*10e-5
在haartraining在运行时你可以看到：
例如：
For egzaple :

Parent node: 17

*** 1 cluster ***
POS: 1656 1799 0.920511
NEG: 2410 1.97289e-005
^
|
这就是错误率
________________________________________________
在\temp\data\cascade文件夹中应该包含从"0"到"N"标号(N是完成的层级的标号)的目录
在每一个目录中都有一个AdaBoostCARTHaarClassifi er.txt file.
我们现在将0-N这些文件夹拷贝到..\cascade2xml\data catalogue文件夹

*) 使用\cascade2xml\haarconv.exe并加上参数我们就可以创建xml文件
命令：haarconv.exe data output.xml 24 24
就能够创建在识别部分使用的xml文件了
你也可以使用\cascade2xml\convert.bat批处理文件来开始

*) 将output.xml文件拷到\test_recognition文件夹
使用命令：
facedetect.exe --cascade="output.xml" 0
你可以使用摄像头作为图像源进行识别
如果不用摄像头你也可以使用图像文件作为输入比如pic0.jpg或者是电影film.avi