Question

如何利用OpenCV自带的级联分类器训练程序训练分类器

Answer 1

使用级联分类器工作包括两个阶段：训练和检测。 检测部分在OpenCV
objdetect 模块的文档中有介绍，在那个文档中给出了一些级联分类器的基本介绍。当前的指南描述了如何训练分类器：准备训练数据和运行训练程序。参考：http://jingyan.baidu.com/article/4dc40848f50689c8d946f197.html

利用
OpenCV

自带的 haar training
程序训练一个分类器，需要经过以下几个步骤：

（
1
）收集训练样本：

训练样本包括正样本和负样本。正样本，通俗点说，就是图片中只有你需要的目标。而负样本的图片只要其中不含有目标就可以了。但需要说明的是，负样本也并非
随便选取的。例如，你需要检测的目标是汽车，那么正样本就应该是仅仅含有汽车的图片，而负样本显然不能是一些包含天空的，海洋的，风景的图片。因为你最终
训练分类器的目的是检测汽车，而汽车应该出现在马路上。也就是说，分类器最终检测的图片应该是那些包含马路，交通标志，建筑物，广告牌，汽车，摩托车，三
轮车，行人，自行车等在内的图片。很明显，这里的负样本应该是包含摩托车、三轮车、自行车、行人、路面、灌木丛、花草、交通标志、广告牌等。

另外，需要提醒的是，adaboost方法也是机器学习中的一个经典算法，而机器学习算法的前提条件是，测试样本和训练样本独立同分
布。所谓的独立同分布，可以简单理解为：训练样本要和最终的应用场合非常接近或者一致。否则，基于机器学习的算法并不能保证算法的有效性。此外，足够的训
练样本（至少得几千张正样本、几千张负样本）也是保证训练算法有效性的一个前提条件。

这里，假设所有的正样本都放在 /pos文件夹下，所有的负样本都放在 /neg文件夹下；

（
2
）对所有的正样本进行尺寸归一化：

上一步收集到的正样本，有很多的尺寸大小，有的是
200*300
，有的是
500*800...
尺寸归一化的目的，就是把所有的图片都缩放到同一大小。比如，都缩放到
50*60
的大小。（程序或者光影魔术手都可以）

（
3
）生成正样本描述文件：

所谓的正样本描述文件，其实就是一个文本文件，只不过，很多人喜欢将这个文件的后缀改成
.dat
而已。正样本描述文件中的内容包括：文件名 目标个数 目标在图片中的位置（
x,y,width,height
）典型的正样本描述文件如下所示：
0.jpg 1 0 0 30 40….

假如，
\pos
文件夹下有
5000
个正样本图片，每个图片中仅有一个目标。命令行下 dir /b > pos.dat生成一个
pos.dat
文件作为正样本描述文件。

（
4
）创建正样本
vec
文件

由于
haarTraining
训练的时候需要输入的正样本是
vec
文件，所以需要使用
createsamples
程序来将正样本转换为
vec
文件。（例如：
f:\pos\pos.vec
）。

Createsamples
程序的命令行参数：

命令行参数：

－

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（例如：一个公司图标）

－

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（假定当前图片为灰度图）。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。

（
5
）

创建负样本描述文件

在保存负样本的文件夹下生成一个负样本描述文件，具体步骤同（
3
），此处不再赘叙；

（
6
）进行样本训练

该步骤通过调用
OpenCV\bin
目录下的
haartraining
程序
(
新版本的
opencv
改名为
opencv_haartraining)
来完成。其中，
Haartraining
的命令行参数为：

－

data<dir_name>

存放训练好的分类器的路径名。

－

vec<vec_file_name>

正样本文件名（由
trainingssamples
程序或者由其他的方法创建的）

－

bg<background_file_name>

背景描述文件。

－
npos<number_of_positive_samples>
，

－

nneg<number_of_negative_samples>

用来训练每一个分类器阶段的正
/
负样本。合理的值是：

nPos = 7000;nNeg = 3000

－

nstages<number_of_stages>

训练的级联分类器层数。

－

nsplits<number_of_splits>

决定用于阶段分类器的弱分类器。如果
1
，则一个简单的
stump classifier
被使用。如果是
2
或者更多，则带有
number_of_splits
个内部节点的
CART
分类器被使用。

－

mem<memory_in_MB>

预先计算的以
MB
为单位的可用内存。内存越大则训练的速度越快。

－
sym
（
default
）

－

nonsym

指定训练的目标对象是否垂直对称。垂直对称提高目标的训练速度。例如，正面部是垂直对称的。

－
minhitrate
《
min_hit_rate
》

每个阶段分类器需要的最小的命中率。总的命中率为
min_hit_rate
的
number_of_stages
次方。

－

maxfalsealarm<max_false_alarm_rate>

没有阶段分类器的最大错误报警率。总的错误警告率为
max_false_alarm_rate
的
number_of_stages
次方。

－

weighttrimming<weight_trimming>

指定是否使用权修正和使用多大的权修正。一个基本的选择是

0.9

－

eqw

－

mode<basic(default)|core|all>

选择用来训练的
haar
特征集的种类。
basic
仅仅使用垂直特征。
all
使用垂直和
45
度角旋转特征。

－
w
《
sample_width
》

－
h
《
sample_height
》

训练样本的尺寸，（以像素为单位）。必须和训练样本创建的尺寸相同。

一个训练分类器的例子：

"D:\Program Files\OpenCV\bin\haartraining.exe" -data data\cascade -vec data\pos.vec -bg negdata\negdata.dat -npos 49 -nneg 49 -mem 200 -mode ALL -w 20 -h 20

训练结束后，会在目录
data
下生成一些子目录，即为训练好的分类器。

（
7
）

生成
xml
文件

上一步在进行
haartraining
的时候，会在
data
目录下生成一些目录及
txt
文件，我们需要调用opencv\bin\
haarconv.exe
将这些
txt
文件转换为
xml
文件，也就是所谓的分类器。

至此，分类器的训练工作已完成。剩下的，就是在程序中加载
xml
文件，并调用相应的函数接口来实现分类检测的作用了。