训练自己的分类器学习_第1页
训练自己的分类器学习_第2页
训练自己的分类器学习_第3页
训练自己的分类器学习_第4页
训练自己的分类器学习_第5页
已阅读5页,还剩2页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

、简介目标检测方法最初由PaulViola[ViolaOl]提出,并由RainerLienhart[LienhartO2]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:DiscreteAdaboost,RealAdaboost,GentleAdaboostandLogitboost。"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: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。一般情况下我们选取正样本:负样本比例为1:2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: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cdD:\face\negdata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:出山Bate切七亦”也Dr 1V* 世Ih.-e!・E.创建完之后会在negdata文件夹里面找到一个negdata.dat文件,用记事本打开,把最后行的negdata.dat保存即可。正样本第一步和负样本的生成一样采用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:\face\posdata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cdD:\face\posdata进入图片路径,再次输入dir/b>posdata.dat则会图片路径下生成一个posdata.dat文件,打开该文件将最后一行的posdata.dat删除,这样就生成了负样本描述文件。这时候需要注意的一个问题:正样本描述文件中要把后缀bmp替换成bmp1112020用记事本打开,编辑-替换)而负样本则不需要此操作。否则会出现:invalidbackgrounddescriptionfiles错误示例:posdata/1(10).bmp1112020posdata/1(11).bmp1112020posdata/1(12).bmp1112020这里的第一个“1”代表本图片的个数,后面的“11”表示起始点坐标“2020”表示宽高正样本的大小要保持一致、正样本的准备工作还没有结束哦,请看下面的步骤: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opencv\bin下,如果没有需要编译opencv\apps\HaarTraining\make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:运行CreateSamples程序。(这个可执行文件在opencv的安装目录里面的bin文件夹中)如果直接在VC环境下运行,可以在Project'Settings'Debug属性页的Programarguments栏设置运行参数。下面是一个运行参数示例:-infoD:\face\posdata\posdata.dat-vecD:\face\pos.vec-num50-w20-h20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:\ProgramFiles\OpenCV\bin\createsamples.exe"-info"posdata\posdata.dat"-vecdata\pos.vec-num50-w20-h20运行完了会d:\face\data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:\face>uD^XProgramFiles\OpenCUXbin\createsanples.exe"-info"posdataXposdatadat"-uecdata\pos.uec-num49-w23-h23Infofilename:posdataXposdata.datIngfiLename:<NULL>Uecfilename:dataXpos.uecBGfilename:<NULL>Hum:49BGcolor:魁BGthreshold:83Inuert:FALSEpaxintensitydeviation:40paxxangled1.1paxi!angled1.1Maxzangled0”5ShousamplestFALSEWidth:20Height:23Createtrainingsamplesfromimagescdllection...^one.Created49samples-info"posdatstlpowdata.D:Xface>"D:XProgramFiles\OpenCUXbinScreatesamples.exe'1dat"-uecdsita\pos.uec-nun49-w20-h20-info"posdatstlpowdata.Infofilename:posdatH'posdata.datImgfilename:<NULL>Uecfilename:dataXpos.uecBGfilename:<NULL>Num:49BGcolor:0BGthreshoId:80Inuert:FALSErlaxint:ensitydeuiation:40rlaxxangle:1.1rlaxyangle:1.1Maxzangle:0.5Shousamples:FALSEUidth:20Height:20Createtrainingsamplesfronimagescollection...Done.Created49samples 「完成49个样本,这里取的样本个数少,但是一定要完成所有样本的处理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。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<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>训练的阶段数。-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stumpclassifier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:\ProgramFiles\OpenCV\bin\haartraining.exe"-datadata\cascade-vecdata\pos.vec-bgnegdata\negdata.dat-npos49-nneg49-mem200-modeALL-w20-h20这里正负样本的个数一定要和你实际的样本个数保持严格一致训练结束后,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。出现的问题:在训练中后来训练到第九级就不动了,出现了死循环。最后在论坛上查了下,说是负样本的问题。

负样本必须要大于等于正样本,刚开始的时候我选取的负样本是20*20虽然和正样本一样大,但是出现了死循环,后来换了负样本就好了。训练完成后Data文件夹下:其中cascade。Xml是训练好的文件,可以直接拿来用了。cascade里面就是训练好的分类器:地址onDf地址onDf:\face\da土殳\(!注弓亡注(1已K-0acascade2xml有的opencv不能自动生成xml文件这时候可以利用 来生成xml四:利用训练好的分类器进行目标检测。文件,使用方法见文件,使用方法见这一步需要用到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-datadata/cascade-infoposdata/test.dat-w20-h20

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论