OpenCV + CPP 系列（卌七）级联分类器训练

文章目录

一、级联分类器训练简介

在深度学习成熟的年代，很少需要级联分类器了，在垂直领域一些简单检测的场景下，还是有点作用的，模型简单，检测速度快。

xml文件精简：使用python脚本处理xml文件，将若分类器的数据float64->float32或float16进一步加快速度。

使用 Haar、LBP、HOG 特征训练级联分类器
关于 ​级联分类器（使用）​ 以及详情查看。
关于 ​​​OpenCV—Python CascadeClassifier(级联分类器)​​ 点击查看。

操作步骤：

1. 收集样本数据 – 包括正负样本
2. 数据规范化 – 大小、格式
3. 生成vec文件与负样本列表文本文件
4. 使用OpenCV自动的级联分类器训练工具，训练样本数据
5. 得到最终的级联分类器数据(XML格式)

（1）以人脸检测为例 –公开的数据库有

• 正向样本数目
• 负样本数目
• 正向样本的大小 – 统一尺寸
• 正向样本图片中的背景问题

（2）样本集合与描述：正（负）样本集合与描述文件
（3）使用 opencv_createsamples.exe 正样本VEC文件创建
（4）使用 opencv_traincascade.exe 训练样本数据

这两个文件：opencv_traincascaded.exe 和 opencv_createsamplesd.exe 在opencv3.4以上版本就需要编译。​​https://zhuanlan.zhihu.com/p/109364375​​ 为避免麻烦，我直接下载opencv3.4版本。

创建样本

创建 ​​info.dat​​ 文件 （负样本文件同理 bg.txt）
所有正样本文件都在当前目录positive下面, 负样本文件在negative下面

import os
from PIL import Image


def get_write_dat(input_path):
    f = open(input_path+"/info.dat", "w")
    for root, dirs, files in os.walk(input_path):
        for file in files:
            if file.endswith((".png", ".bmp", ".jpg")):
                print("file: ", file)
                try:
                    img = Image.open(os.path.join(root, file))
                    w, h = img.size
                    f.write(" ".join(["positive/"+file, str(1), str(0), str(0), str(w), str(h)])+"\n")
                except Exception as e:
                    print(e)
    f.close()


if __name__ == '__main__':
    input_path = r"D:\opencv-c++\cascade\positive"
    get_write_dat(input_path)

文件info.dat里的内容说明如下：（负样本只需要路径即可）

创建训练样本vec：执行如下命令

opencv_createsamples.exe \
-info D:\opencv-c++\cascade\positive\info.dat \
-vec D:\opencv-c++\cascade\positive\positive_samples.vec \
-num 185 \
-bgcolor 0 \
-bgthresh 0 \
-w 24 \
-h 24

训练样本

opencv_traincascade.exe \
-data D:\opencv-c++\cascade \
-vec D:\opencv-c++\cascade\positive_samples.vec \
-bg bg.txt \
-numPos 170 \
-numNeg 500 \
-numStages 12 \
-featureType LBP \
-w 24 \
-h 24 \
-minHitRate 0.996 \
-maxFalseAlarmRate 0.5

说明：
​​​-numPos 170​​​正样本数小于185（所有正样本）
​​​-numNeg 500​​​正样本数大于224（所有负样本）
​​​-featureType LBP​​ 使用LBP训练快（测试一下）

很快，训练完如下：

其中上面​​cascade.xml​​文件即为训练的模型文件。

关于更多详情：​​查看官方文档​​ 字段说明如下：

• -data指定生成的文件目录，
• -vecvec文件名，
• -bg负样本描述文件名称，也就是负样本的说明文件(.dat)
• -nstage20 指定训练层数，推荐15~20，层数越高，耗时越长。
• -nsplits分裂子节点数目，选取默认值 2
• -minhitrate最小命中率，即训练目标准确度。
• -maxfalsealarm最大虚警(误检率)，每一层训练到这个值小于0.5时训练结束，进入下一层训练，
• -npos在每个阶段用来训练的正样本数目，
• -nneg在每个阶段用来训练的负样本数目 这个值可以设置大于真正的负样本图像数目，程序可以自动从负样本图像中切割出和正样本大小一致的，一般设置为正样本数目的1~3倍
• -mem程序可使用的内存，这个设置为256即可，实际运行时根本就不怎么耗内存，以MB为单位
• -modeALL指定haar特征的种类，BASIC仅仅使用垂直特征，ALL表示使用垂直以及45度旋转特征
• -w与-h表示样本的宽与高，必须跟vec中声明保持一致