正式使用opencv里的训练和检测 - opencv_createsamples、opencv_traincascade.docx

正式使用opencv里的训练和检测 - opencv_createsamples、opencv_traincascade分类：OpenCV2014-09-12 14:062993人阅读评论(13)收藏举报opencv_traincascadeopencv_createsamples好久没有来写blog了，学生生涯终结，就不好好总结了，今天把opencv里关于adaboost训练和检测的过程记录下来，方便别人也方便自己啊哈哈一、基础知识准备首先，opencv目前仅支持三种特征的训练检测， HAAR、LBP、HOG，选择哪个特征就去补充哪个吧。opencv的这个训练算法是基于adaboost而来的，所以需要先对adaboost进行基础知识补充啊，网上一大堆资料，同志们速度去查阅。我的资源里也有，大家去下载吧，这些我想都不是大家能直接拿来用的，我下面将直接手把手告诉大家训练怎么操作，以及要注意哪些细节。二、关于正样本的准备1、采集正样本图片因为正样本最后需要大小归一化，所以我在采集样本的时候就直接把它从原图里抠出来了，方便后面缩放嘛，而不是只保存它的框个数和框位置信息（框个数、框位置信息看下一步解释），在裁剪的过程中尽量保持样本的长宽比例一致。比如我最后要归一化成20 X 20，在裁剪样本的时候，我都是20X20或者21X21、22X22等等，最大我也没有超过30X30（不超过跟我的自身用途有关，对于人脸检测这种要保证缩放不变性的样本，肯定就可以超过啦），我资源里也给出可以直接用的裁剪样本程序。2、获取正样本路径列表在你的图片文件夹里，编写一个bat程序（get route.bat，bat是避免每次都需要去dos框输入，那里又不能复制又不能粘贴！），如下所示：运行bat文件，就会生成如下dat文件：把这个dat文件中的所有非图片的路径都删掉，比如上图的头两行，再将bmp 替换成 bmp 1 0 0 20 20，如下：（1代表个数，后四个分别对应 left top width height，如果我们之前不是把样本裁剪下来的，那么你的这个dat可能就长成这样1. bmp 3 1 3 24 24 26 28 25 25 60 80 26 26，1.bmp是完全的原图啊，你之前的样本就是从这张图上扣下来的）3、获取供训练的vec文件这里，我们得利用opencv里的一个程序叫opencv_createsamples.exe，可以把它拷贝出来。针对它的命令输入也是写成bat文件啦，因为cascade训练的时候用的是vec。如下：运行bat，就在我们得pos文件夹里生成了如下vec文件：就此有关正样本的东西准备结束。三、关于负样本的准备这个特别简单，直接拿原始图，不需要裁剪抠图（不裁剪还能保证样本的多样性），也不需要保存框（网上说只要保证比正样本大小大哈，大家就保证吧），只要把路径保存下来。同正样本类似，步骤图如下：至此有关负样本的也准备完成。四、开始训练吧这里我们用opencv_traincascade.exe（opencv_haartraining.exe的用法跟这个很相似，具体需要输入哪些参数去看opencv的源码吧，网上资料也有很多，主要是opencv_traincascade.exe比opencv_haartraining.exe包含更多的特征，功能齐全些啊），直接上图：命令输入也直接用bat文件，请务必保证好大小写一致，不然不予识别参数。小白兔，跑起来这是程序识别到的参数，没有错把，如果你哪个字母打错了，你就会发现这些参数会跟你预设的不一样啊，所以大家一定要看清楚了跑啊跑啊跑啊跑，如下：这一级的强训练器达到你预设的比例以后就跑去训练下一级了，同志们那个HR比例不要设置太高，不然会需要好多样本，然后stagenum不要设置太小啊，不然到时候拿去检测速度会很慢。等这个bat跑结束，我的xml文件也生成了。如下：其实这个训练可以中途停止的，因为下次开启时它会读取这些xml文件，接着进行上次未完成的训练。哈哈好人性化啊！训练结束，我要到了我的cascade.xml文件，现在我要拿它去做检测了啊！呼呼五、开始检测吧opencv有个opencv_performance.exe程序用于检测，但是它只能用在用opencv_haartraining.exe来用的，所以我这里是针对一些列图片进行检测的，检测代码如下：#include #include #include #include #include wininet.h#include #include #include #pragma comment(lib,Wininet.lib)#include opencv2/objdetect/objdetect.hpp#include opencv2/highgui/highgui.hpp#include opencv2/imgproc/imgproc.hpp#include opencv2/ml/ml.hpp#include #include using namespace std;using namespace cv;String cascadeName = ./cascade.xml;/训练数据struct PathElemTCHAR SrcImgPathMAX_PATH*2;TCHAR RstImgPathMAX_PATH*2;int FindImgs(char * pSrcImgPath, char * pRstImgPath, std:list &ImgList);int main( )CascadeClassifier cascade;/创建级联分类器对象std:list ImgList; std:list:iterator pImgListTemp; vector rects;vector:const_iterator pRect;double scale = 1.;Mat image;double t;if( !cascade.load( cascadeName ) )/从指定的文件目录中加载级联分类器cerr ERROR: Could not load classifier cascade endl;return 0;int nFlag = FindImgs(H:/SrcPic/,H:/RstPic/, ImgList);if(nFlag != 0) coutRead Image error ! Input 0 to exit n;exit(0);pImgListTemp = ImgList.begin();for(int iik = 1; iik SrcImgPath);if( !image.empty() )/读取图片数据不能为空Mat gray, smallImg( cvRound (image.rows/scale), cvRound(image.cols/scale), CV_8UC1 );/将图片缩小，加快检测速度cvtColor( image, gray, CV_BGR2GRAY );/因为用的是类haar特征，所以都是基于灰度图像的，这里要转换成灰度图像resize( gray, smallImg, smallImg.size(), 0, 0, INTER_LINEAR );/将尺寸缩小到1/scale,用线性插值equalizeHist( smallImg, smallImg );/直方图均衡/detectMultiScale函数中smallImg表示的是要检测的输入图像为smallImg，rects表示检测到的目标序列，1.1表示/每次图像尺寸减小的比例为1.1，2表示每一个目标至少要被检测到3次才算是真的目标(因为周围的像素和不同的窗口大/小都可以检测到目标),CV_HAAR_SCALE_IMAGE表示不是缩放分类器来检测，而是缩放图像，Size(30, 30)为目标的/最小最大尺寸rects.clear();printf( begin.n);t = (double)cvGetTickCount();/用来计算算法执行时间cascade.detectMultiScale(smallImg,rects,1.1,2,0,Size(20,20),Size(30,30);/|CV_HAAR_FIND_BIGGEST_OBJECT/|CV_HAAR_DO_ROUGH_SEARCH|CV_HAAR_SCALE_IMAGE,t = (double)cvGetTickCount() - t;printf( detection time = %g msnn, t/(double)cvGetTickFrequency()*1000.) );for(pRect = rects.begin(); pRect != rects.end(); pRect+)rectangle(image,cvPoint(pRect-x,pRect-y),cvPoint(pRect-x+pRect-width,pRect-y+pRect-height),cvScalar(0,255,0);imwrite(pImgListTemp-RstImgPath,image);return 0;int FindImgs(char * pSrcImgPath, char * pRstImgPath, std:list &ImgList)/源图片存在的目录TCHAR szFileT1MAX_PATH*2;lstrcpy(szFileT1,TEXT(pSrcImgPath); lstrcat(szFileT1, TEXT(*.*);/结果图片存放的目录TCHAR RstAddrMAX_PATH*2; lstrcpy(RstAddr,TEXT(pRstImgPath);_mkdir(RstAddr); /创建文件夹WIN32_FIND_DATA wfd; HANDLE hFind = FindFirstFile(szFileT1, &wfd); PathElem stPathElemTemp;if(hFind != INVALID_HANDLE_VALUE) do if(wfd.cFileName0 = TEXT(.) continue;if(wfd.dwFileAttributes & FILE_ATTRIBUTE_DIRECTORY | strcmp(Thumbs.db, TEXT(wfd.cFileName) = 0) ; else TCHAR SrcImgPathMAX_PATH*2;lstrcpy(SrcImgPath, pSrcImgPath); lstrcat(SrcImgPath, TEXT(wfd.cFileName);lstrcpy(stPathElemTemp.SrcImgPath, SrcImgPath); TCHAR AdressTempMAX_PATH*2;lstrcpy(AdressTemp,pRstImgPath); /lstrcat(AdressTemp, TEXT(/); lstrcat(AdressTemp, TEXT(wfd.cFileName); lstrcpy(stPathElemTemp.RstImgPath, AdressTemp); ImgList.push_back(stPathElemTemp);while(FindNextFile(hFind, &wfd);elsereturn -1;return 0;自己看看自己的检测结果咯。效果不好的改进样本，调整训练参数吧嘎嘎我觉得我写的够白痴，很方便大家直接拿来用。其中一些细节，大家自己琢磨吧88附：1、opencv_traincascade.exe参数说明通用参数：-data目录名，如不存在训练程序会创建它，用于存放训练好的分类器-vec包含正样本的vec文件名（由opencv_createsamples程序生成）-bg背景描述文件，也就是包含负样本文件名的那个描述文件-numPos每级分类器训练时所用的正样本数目-numNeg每级分类器训练时所用的负样本数目，可以大于-bg指定的图片数目-numStages训练的分类器的级数。-precalcValBufSize缓存大小，用于存储预先计算的特征值(featurevalues)，单位为MB-precalcIdxBufSize缓存大小，用于存储预先计算的特征索引(featureindices)，单位为MB。内存越大，训练时间越短-baseFormatSave这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储级联参数：-stageType级别（stage）参数。目前只支持将BOOST分类器作为级别的类型-featureType特征的类型：HAAR-类Haar特征；LBP-局部纹理模式特征-w-h训练样本的尺寸（单位为像素）。必须跟训练样本创建（使用opencv_createsamples程序创建）时的尺寸保持一致Boosted分类器参数：-btBoosted分类器的类型：DAB-DiscreteAdaBoost,RAB-RealAdaBoost,LB-LogitBoost,GAB-GentleAdaBoost-minHitRate分类器的每一级希望得到的最小检测率。总的检测率大约为min_hit_ratenumber_of_stages-maxFalseAlarmRate分类器的每一级希望得到的最大误检率。总的误检率大约为max_false_alarm_ratenumber_of_stages-weightTrimRateSpecifieswhethertrimmingshouldbeusedanditsweight.一个还不错的数值是0.95-maxDept