使用opencv製作分類器

之前一直在學習opencv，但是並沒有很多實質性的成果，最近有時間來使用opencv的庫做一些有意思的識別。我先是使用mit人臉庫把程序跑通，其他的訓練方式也就可以照著來了。

這個過程大概分為三步；

第一步,製作訓練集的數據集，這一步是最能做文章的一步，因為訓練集的質量直接決定了最後識別的效果，所以可以儘可能的把數據集做到精準。

第二步，訓練分類器。

第三步，使用分類器進行分類。

（1）製作數據集

數據集主要分兩部分，一部分是正例，一部分反例。正例是指該圖片種只有我們要識別的物體，其他的干擾項最要都要剔除。最好背景色都能是同一種顏色，如果說彩色要將其轉換成灰度圖。

正例部分：要歸一化為相同的大小，比如30*30，圖像越小相對來說訓練時間會變短，此外如果想要有很好的泛化能力，最好多找一些不同的目標物的圖片，從各個角度的，每一張圖片都有很好的代表性，只有這樣才能很好的從場景中識別出目標物體。

反例部分：首先說明一下反例存在的意義，比方說我們現在要識別杯子，那麼我們可以想像杯子一般會出現在哪些場景，在桌子上，但是我們怎麼能告訴電腦哪些是杯子哪些不是杯子呢，正例的部分就告訴電腦這些是杯子，而反例部分就是告訴電腦哪些不是杯子，所以我們在反例中加入杯子出現的背景，而且不能出現杯子！ 總而言之，反例是目標物可能出現的場景，大小相同也是統一的，顏色是灰色的最好。

下面開始來進行訓練

（2）訓練分類器

1. 創建樣本

◆ 樣本分兩種： 正樣本與負樣本（也有人翻譯成：正例樣本和反例樣本），其中正樣本是指待檢目標樣本(例如人臉，汽車，鼻子等)，負樣本指其它任意圖片。

◆ 所有樣本圖片都應該有同一尺寸，如20 * 20，並放在相應文件目錄下，

◆ 集合文件格式（collection file format）和描述文件格式（description file format）

集合文件格式（collection file format）就是如下形的描述文件：

[filename]

[filename]

[filename]

…

描述文件格式（description file format）就是如下形的描述文件：

[filename] [# of objects] [[x y width height] [... 2nd object] ...]

[filename] [# of objects] [[x y width height] [... 2nd object] ...]

[filename] [# of objects] [[x y width height] [... 2nd object] ...]

….

(x, y) 指左上角的坐標，width和 height 分別是樣本的寬和高，這裡我的圖片是20*20的，所以兩個值都是20

為正樣本創建描述文件格式文件info.txt，並且把這個文件放在與樣本圖片同一目錄下，例如我的目錄為C:/OpenCV2.1/bin/posdata

a) 在命令行下 輸入以下命令： dir /b > info.txt

b) 打開info.txt, 按ctrl+h, 把所有的bmp 換成 bmp 1 0 0 20 20

c) 刪除info.txt最後一行的 「info.txt」

d) 結果如下：（1代表一個文件，0 0 20 20表示這個文件的2個頂點位置坐標）

同樣為負樣本創建集合文件格式文件bg.txt, 並且把這個文件放在與樣本圖片同一目錄下，例如我的目錄為I:/negdata

a) 在命令行下 輸入以下命令： dir /b > bg.txt

b) 刪除bg.txt最後一行的 「bg.txt」

這樣就算是把數據集準備好了，然後就是開始進行生成樣本，我們在opencv文件夾找到opencv_createsamples.exe，把它放進訓練集目錄中，然後輸入

opencv_createsamples.exe -info e: estposdata0info.txt -vec e: estposdata0pos.vec -num 120 -w 20 -h 20

createsamples具體訓練參數意思如下：

• －vec <vec_file_name>訓練好的正樣本的輸出文件名。
• －img<image_file_name>源目標圖片（例如：一個公司圖標）
• －bg<background_file_name>背景描述文件。
• －num<number_of_samples>要產生的正樣本的數量，和正樣本圖片數目相同。
• －bgcolor<background_color> 背景色（假定當前圖片為灰度圖）。背景色制定了透明色。對於壓縮圖片，顏色方差量由bgthresh參數來指定。則在bgcolor－bgthresh 和bgcolor＋bgthresh 中間的像素被認為是透明的。
• －bgthresh<background_color_threshold>

• －inv 如果指定，顏色會反色
• －randinv如果指定，顏色會任意反色
• －maxidev<max_intensity_deviation>背景色最大的偏離度。
• －maxangel<max_x_rotation_angle>
• －maxangle<max_y_rotation_angle>，
• －maxzangle<max_x_rotation_angle>最大旋轉角度，以弧度為單位。
• －show 如果指定，每個樣本會被顯示出來，按下"esc"會關閉這一開關，即不顯示樣本圖片，而創建過程繼續。這是個有用的debug 選項。
• －w<sample_width> 輸出樣本的寬度（以像素為單位）
• －h<sample_height>輸出樣本的高度，以像素為單位。
• 註：正樣本也可以從一個預先標記好的圖像集合中獲取。這個集合由一個文本文件來描述。每一個文本行對應一個圖片。每行的第一個元素是圖片文件名，第二個元素是對象實體的個數。後面緊跟著的是與之匹配的矩形框（x, y, 寬度，高度）。

下面開始正式訓練

我們找到opencv_haartraining.exe文件在opencv文件夾中，然後在cmd中輸入

opencv_haartraining.exe -data e: estdata0cascade0 -vec e: estposdata0pos.vec -bg e: est
egdata0
egdata0.txt -npos 120 -nneg 120 -nsplits 2 -mem 512 -nonsym -w 20 -h 20 -minpos 100 -nstages 4

Haartraining 的命令行參數如下：

• －data<dir_name>存放訓練好的分類器的路徑名。
• －vec<vec_file_name>正樣本文件名 由trainingssamples 程序或者由其他的方法創建
• －bg<background_file_name>背景描述文件。
• －npos<number_of_positive_samples>，

• －nneg<number_of_negative_samples>用來訓練每一個分類器階段的正/負樣本。合理的值是：nPos = 7000;nNeg = 3000
• －nstages<number_of_stages>訓練的階段數。
• －nsplits<number_of_splits> 決定用於階段分類器的弱分類器。如果1，則一個簡單的stump classifier 被使用。如果是2 或者更多，則帶有number_of_splits 個內部節點的CART 分類器被使用。
• －mem<memory_in_MB>預先計算的以MB 為單位的可用內存。內存越大則訓練的速度越快。
• －sym（default）

• －nonsym 指定訓練的目標對象是否垂直對稱。垂直對稱提高目標的訓練速度。例如，正面部是垂直對稱的。
• －minhitrate<min_hit_rate> 每個階段分類器需要的最小的命中率。總的命中率為min_hit_rate 的number_of_stages 次方。
• －maxfalsealarm<max_false_alarm_rate> 沒有階段分類器的最大錯誤報警率。總的錯誤警告率為max_false_alarm_rate 的
• number_of_stages 次方。
• －weighttrimming<weight_trimming> 指定是否使用權修正和使用多大的權修正。一個基本的選擇是0.9
• －eqw

• －mode<basic(default)|core|all> 選擇用來訓練的haar 特徵集的種類。basic 僅僅使用垂直特徵。all 使用垂直和45 度角旋轉特徵。
• －w<sample_width>

• －h<sample_height> 訓練樣本的尺寸，（以像素為單位）。必須和訓練樣本創建的尺寸相同

這樣就算是訓練好了，生成的xml文件就可以使用了，然後我們就可以在網上找一個opencv的載入聯級分類器代碼的框架進行使用了。

#!/usr/bin/env pythonimport numpy as npimport cv2#import cv2.cv2 as cv#from video import create_capture#from common import clock, draw_strhelp_message = USAGE: facedetect.py [--cascade <cascade_fn>] [--nested-cascade <cascade_fn>] [<video_source>]def detect(img, cascade): rects = cascade.detectMultiScale(img, scaleFactor=1.3, minNeighbors=4, minSize=(30, 30), flags = cv.CV_HAAR_SCALE_IMAGE) if len(rects) == 0: return [] rects[:,2:] += rects[:,:2] return rectsdef draw_rects(img, rects, color): for x1, y1, x2, y2 in rects: cv2.rectangle(img, (x1, y1), (x2, y2), color, 2)if __name__ == __main__: import sys, getopt print (help_message) args, video_src = getopt.getopt(sys.argv[1:], , [cascade=, nested-cascade=]) try: video_src = video_src[0] except: video_src = 0 args = dict(args) cascade_fn = args.get(--cascade,rD:OpenCVopencvsourcesdatahaarcascadeshaarcascade_frontalface_default.xml) nested_fn = args.get(--nested-cascade, rD:OpenCVopencvsourcesdatahaarcascadeshaarcascade_eye.xml) cascade = cv2.CascadeClassifier(cascade_fn) nested = cv2.CascadeClassifier(nested_fn) cam = create_capture(video_src, fallback=synth:bg=../cpp/lena.jpg:noise=0.05) while True: ret, img = cam.read() gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = cv2.equalizeHist(gray) t = clock() rects = detect(gray, cascade) vis = img.copy() draw_rects(vis, rects, (0, 255, 0)) for x1, y1, x2, y2 in rects: roi = gray[y1:y2, x1:x2] vis_roi = vis[y1:y2, x1:x2] subrects = detect(roi.copy(), nested) draw_rects(vis_roi, subrects, (255, 0, 0)) dt = clock() - t draw_str(vis, (20, 20), time: %.1f ms % (dt*1000)) cv2.imshow(facedetect, vis) if 0xFF & cv2.waitKey(5) == 27: break cv2.destroyAllWindows()

下面我匯總了一些可能遇到的問題從網路上面以供查閱。

1. 如果跑到某一個分類器時，幾個小時也沒有反應，而且顯示不出訓練百分比，這是因為你的負樣本數量太少，或者負樣本的尺寸太小，所有的負樣本在這個分類器都被reject了，程序進入不了下一個循環，果斷放棄吧。解決方法：負樣本盡量要大一些，比如我的正樣本是40*15，共300個,負樣本是640*480，共500個。(我當時的錯誤就出現在這，把負本改大後，就成功了）

2. 讀取樣本時報錯：Negative or too large argument of CvAlloc function，網上說這個錯誤是因為opencv規定單幅iplimage的內存分配不能超過10000，可是我的每個負樣本都不會超過這個大小，具體原因不明。後來我把負樣本的數量減少，尺寸加大，這個問題就解決了。

3. 訓練的過程可能經常出錯，耐心下來不要著急，我在訓練MRI分類器的時候失敗了無數次。失敗的時候有兩件事可以做，第一，調整正負樣本的數量，再試。第二，調整負樣本的大小，祝大家好運。

這是第一次在知乎上面寫，之前寫的由於網路斷了，完全都沒有了。。。這次有很多是轉載自csdn的。

地址：

OpenCV訓練分類器製作xml文檔 - liulina603的專欄 - 博客頻道 - CSDN.NET

OpenCV訓練分類器製作xml文檔_yumantang_新浪博客
推薦閱讀：