HaarTraining训练学习资料.doc

很好的opencv haartraining学习资料最近要做一个性别识别的项目，在人脸检测与五官定位上我采用OPENCV的haartraining进行定位，这里介绍下这两天我学习的如何用opencv训练自己的分类器。在这两天的学习里，我遇到了不少问题，不过我遇到了几个好心的大侠帮我解决了不少问题，特别是无忌，在这里我再次感谢他的帮助。一、简介目标检测方法最初由Paul Viola Viola01提出，并由Rainer Lienhart Lienhart02对这一方法进行了改善。该方法的基本步骤为： 首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。分类器中的级联是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。 为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。boosted 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。根据上面的分析，目标检测分为三个步骤：1、 样本的创建2、 训练分类器3、 利用训练好的分类器进行目标检测。二、样本创建训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片。负样本负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下：采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:faceposdata下，则：按Ctrl+R打开Windows运行程序，输入cmd打开DOS命令窗口，输入d:回车，再输入cd D:facenegdata进入图片路径，再次输入dir /b negdata.dat，则会图片路径下生成一个negdata.dat文件，打开该文件将最后一行的negdata.dat删除，这样就生成了负样本描述文件。dos命令窗口结果如下图：正样本对于正样本，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小），如下图所示：由于HaarTraining训练时输入的正样本是vec文件，所以需要使用OpenCV自带的CreateSamples程序（在你所按照的opencvbin下，如果没有需要编译opencvappsHaarTrainingmake下的.dsw文件，注意要编译release版的）将准备好的正样本转换为vec文件。转换的步骤如下：1) 制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在图片中的位置和大小。典型的正样本描述文件如下：posdata/1(10).bmp 1 1 1 23 23posdata/1(11).bmp 1 1 1 23 23posdata/1(12).bmp 1 1 1 23 23不过你可以把描述文件放在你的posdata路径（即正样本路径）下，这样你就不需要加前面的相对路径了。同样它的生成方式可以用负样本描述文件的生成方法，最后用txt的替换工具将“bmp”全部替换成“bmp 1 1 1 23 23”就可以了，如果你的样本图片多，用txt替换会导致程序未响应，你可以将内容拷到word下替换，然后再拷回来。bmp后面那五个数字分别表示图片个数，目标的起始位置及其宽高。这样就生成了正样本描述文件posdata.dat。2) 运行CreateSamples程序。如果直接在VC环境下运行，可以在ProjectSettingsDebug属性页的Program arguments栏设置运行参数。下面是一个运行参数示例：-info D:faceposdataposdata.dat -vec D:facepos.vec -num 50 -w 20 -h 20表示有50个样本，样本宽20，高20，正样本描述文件为posdata.dat，结果输出到pos.vec。或者在dos下输入：D:Program FilesOpenCVbincreatesamples.exe -info posdataposdata.dat -vec datapos.vec -num 50 -w 20 -h 20 运行完了会d:facedata下生成一个*.vec的文件。该文件包含正样本数目，宽高以及所有样本图像数据。结果入下图：Createsamples程序的命令行参数：命令行参数：vec 训练好的正样本的输出文件名。img源目标图片（例如：一个公司图标）bg背景描述文件。num要产生的正样本的数量，和正样本图片数目相同。bgcolor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bgcolorbgthresh和bgcolorbgthresh中间的像素被认为是透明的。bgthreshinv如果指定，颜色会反色randinv如果指定，颜色会任意反色maxidev背景色最大的偏离度。maxangelmaxangle，maxzangle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输出样本的宽度（以像素为单位）hsample_height输出样本的高度，以像素为单位。到此第一步样本训练就完成了。恭喜你，你已经学会训练分类器的五成功力了，我自己学这个的时候花了我一天的时间，估计你几分钟就学会了吧。三、训练分类器样本创建之后，接下来要训练分类器，这个过程是由haartraining程序来实现的。该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。Haartraining的命令行参数如下：data存放训练好的分类器的路径名。vec正样本文件名（由trainingssamples程序或者由其他的方法创建的）bg背景描述文件。npos，nneg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 = 3000nstages训练的阶段数。nsplits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。minhitratemin_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0.9eqwmode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。wsample_widthhsample_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 FilesOpenCVbinhaartraining.exe -data datacascade -vec datapos.vec -bg negdatanegdata.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。训练结果如下：恭喜你，你已经学会训练分类器的九成功力了。四：利用训练好的分类器进行目标检测。这一步需要用到performance.exe，该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。performance.exe -data data/cascade -info posdata/test.dat -w 20 -h 20 -rs 30performance的命令行参数如下：Usage: ./performance-data -info -maxSizeDiff -maxPosDiff -sf -ni-nos -rs -w -h 也可以用opencv的cvHaarDetectObjects函数进行检测：CvSeq* faces = cvHaarDetectObjects( img, cascade,