opencv_haar分類器的訓練

標籤：

因為工作的原因，本人需要用到分類器來檢測目標，所以需要訓練自己的分類器

在這裡我就簡單的說下步驟和注意事項。

HaarTraining步驟1.正負樣本處理

正樣本處理需要對正樣本進行歸一化處理，一般情況下可以用Photoshop對映像進行尺寸統一處理，比如都是20*20或者24*24，其中其它尺寸比如240*15也可以做成樣本的，不要求是正方形，或者20*20,24*24,。這是取決於你的目標的形狀，不過正樣本的解析度不要太高，太高的話在訓練時會記憶體配置不足引起crash

錯誤如下：  OpenCV Error :insufficient memory <failed to allocate 250343435bytes> in cv::\OutOfMemoryError

                                                       圖1.1 正樣本解析度太大時引起的記憶體配置不足的crash

不預先用Photoshop對正樣本進行處理時，還可以使用opencv_createSamples工具進行處理，其實就算用Photoshop對樣本進行過處理，在這裡還是會對樣本進行一次處理，Photoshop預先處理的好處就是樣本的位置都為0,0。那麼對正樣本描述檔案處理時就比較簡單，特別是正樣本數量足夠大時，可以減少正樣本描述檔案的出錯率，提高分類器的檢測率。

 1.1正樣本描述檔案

正樣本描述檔案的建立如下：

一個.txt檔案或者.dat檔案裡麵包含正樣本的資訊，

結構：

包含正樣本圖片的相對路徑或者全路徑    正樣本中包含的正樣本數量    第一個正樣本的位置x y   第一個正樣本的寬和高w h  第二個正樣本的位置x y   第二個正樣本的寬和高w h  ……  第n個正樣本的位置x y   第n個正樣本的寬和高w h 

img01.jpg 1 0 0 20 20

img\\img02.jpg 1 0 0 24 24

e://img/img03.jpg 2 3 4 240 15 248 29 160 20

….

在這裡你就會明白為什麼要在之前用Photoshop對圖片進行處理，這樣的話，所有圖片都是只包含一個正樣本的統一尺寸的圖片，那麼正樣本描述檔案就像下面那樣：

img01.jpg 1 0 0 20 20

img02.jpg 1 0 0 20 20

img03.jpg 1 0 0 20 20

……

既然是是統一的話，就可以用批處理來完成：

在Windows下用命令: dir imgDir /b > imgDiscr.txt

（在linux下用: ls imgDir >imgDiscr.txt ,也可以儲存為.sh檔案，這樣不用每次輸入命令）

我是直接儲存為.bat檔案，這樣每次不用打命令，而是點擊就產生包含所有正樣本圖片名的檔案imgDiscr.txt ：

img01.jpg

img02.jpg

img03.jpg

….

然後用編輯器開啟，把jpg替換成jpg 1 0 0 20 20

就可以快速產生正樣本描述檔案。

 1.2負樣本描述檔案的產生

和正樣本一樣，不過不需要對負樣本圖片進行處理，只要負樣本圖片不比正樣本圖片的解析度小就行，負樣本描述檔案只需要包含圖片路徑名：

non-img01.jpg

non-img02.jpg

non-img03.jpg

….

2.opencv_createsamples產生正樣本.vec檔案

分類器在訓練時並不會直接處理正樣本描述檔案，而是包含正樣本的.vec檔案，這是一個用matlab函數產生的向量檔案。

參數的設定如下：

opencv_createsamples.exe -info imgDiscr.txt -vec samples.vec  -num 68  -w 20-h 20

命令列參數：

• [-vec <vec_file_name>]  輸出檔案，內含用於訓練的正樣本
• [-img <image_file_name>] 輸入影像檔名（例如一個公司的標誌
• [-bg <background_file_name>] 背景映像的描述檔案，檔案中包含一系列的影像檔名，這些映像將被隨機選作物體的背景。
• [-mun <number_of_samples>]產生的正樣本的數目。
• [-maxxangle <max_x_rotation_angle>]X軸最大旋轉角度，必須以弧度為單位。
• [-maxyangle <max_y_rotation_angle>]Y軸最大旋轉角度，必須以弧度為單位。
• [-maxzangle <max_z_rotation_angle>]Z軸最大旋轉角度，必須以弧度為單位。
• [-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）。

其中-num的數值應該為總的正樣本數，也就是正樣本描述檔案中第二列數字總和

-w -h是輸出映像的寬和高，這裡也會對正樣本進行歸一化處理，其中我們之前用Photoshop對映像進行過歸一化處理，如果沒有，那麼在這裡createsample工具也會對正樣本進行歸一化處理，所有的正樣本大小都是一樣的。而且，之前Photoshop歸一化為20個像素後，在這裡設定為24個像素，那麼產生的.vec向量檔案裡面的映像是24個像素的。

3.haarTraining訓練分類器

opencv_haarTraining訓練器是一個被淘汰的訓練器，在2.4.9裡面還有，2.4.10後就沒有了，不過用opencv_traincascade訓練出來的分類器在樣本程式中無法使用，而且3.10的opencv_traincascade在使用時出現問題，所以迫不得已找回了以前的haarTraining來使用。其中opencv_traincascade出現的錯誤如下:

Train dataset for temp stage can not be filled.  Branch training terminated

stackoverflow上的說是描述檔案是在Windows下產生的，結尾是/r/n，而linux下的描述檔案後面是/r沒有/n，所有導致讀取不到影像檔，但是在linux下訓練時還是會出現問題，所以，我覺得問題不在描述檔案上。訓練分類器用以下命令：

opencv_haartraining.exe -data block_xml/ -vec samples.vec -bg non-imgDiscr.txt -nstages 20 -nsplits 2 -minhitrate 0.999 -maxfalsealarm 0.5 -npos 200 -nneg 20 -w 240 -h 15 -mem 1024 -eqw 1 -mode ALL -bt GAB -minpos 32

這裡的正樣本數量為200,負樣本數量為20,樣本的寬為240,高為15

正樣本最小命中率為0.999，因為級聯-nstages為20，所以0.999^20 = 0.98 負樣本的最大錯誤率為0.5 經過20個級聯後錯誤率為0.5^20 = 0.0000009536
基本參數：

" -data <dir_name>\n" " -vec <vec_file_name>\n" " -bg <background_file_name>\n" " [-npos <number_of_positive_samples = %d>]\n" " [-nneg <number_of_negative_samples = %d>]\n" " [-nstages <number_of_stages = %d>]\n" " [-nsplits <number_of_splits = %d>]\n" " [-mem <memory_in_MB = %d>]\n" " [-sym (default)] [-nonsym]\n" " [-minhitrate <min_hit_rate = %f>]\n" " [-maxfalsealarm <max_false_alarm_rate = %f>]\n" " [-weighttrimming <weight_trimming = %f>]\n" " [-eqw]\n" " [-mode <BASIC (default) | CORE | ALL>]\n" " [-w <sample_width = %d>]\n" " [-h <sample_height = %d>]\n" " [-bt <DAB | RAB | LB | GAB (default)>]\n" " [-err <misclass (default) | gini | entropy>]\n" " [-maxtreesplits <max_number_of_splits_in_tree_cascade = %d>]\n" " [-minpos <min_number_of_positive_samples_per_cluster = %d>]\n",

要注意的是 –nneg 的參數 = 實際的負樣本數 * maxfalsealarm

因為第一次訓練完成後，第二個級聯的負樣本數其實並沒有百分百留下，其中有誤判的負樣本沒有載入，所以-nneg如果為實際的負樣本數，那麼程式很有可能進入死迴圈，如果樣本數不大，但是幾個小時後還沒有動靜，那麼就是進入死迴圈了，像上面的200個正樣本，20個負樣本基本上前10個級聯是一分鐘內完成，後面的級聯幾分鐘一個，如果超過十分鐘沒有動靜，那麼就是進入死迴圈了。在這裡，參數設定不正確，那麼就會訓練不成功，還有一個進入死迴圈的可能就是虛警率一直不能下來，就是maxfalsealarm的值一直居高不下，所以訓練器一直在跑，導致結果一直不能停，如果訓練一段時間，還在訓練，參數沒有問題的話，那麼就應該適當的設定級聯的數量，來停止訓練，得到分類器。

   用opencv_traincascade來訓練的話可以結合TBB來多核處理，在

編譯opencv時加入TBB。

  用opencv_haarTraining訓練出來的分類器會儲存在目前的目錄下用-data的參數命名的xml檔案裡。

訓練的過程可以隨時停止，重新訓練時，訓練器會讀取之前的參數，從停止的地方開始。

訓練結束：

opencv_haar分類器的訓練