利用opencv提供的adaboost级联分类器训练模型进行物体检测

前言

在...\opencv\build\x64\vc14\bin的目录下存在opencv_traincascade.exe和opencv_createsamples.exe两个程序，我们能利用它们来进行机器学习，并实现物体检测。下面来说说具体实现步骤。

架构如下：

源码：https://github.com/YingjieZhang31/Cascade-Classifier

一、提供负样本图片集并得到其索引文件neg.txt

例如：我们将负样本保存到neg文件夹内，如下：

之后，需要写一个脚本得到负样本的索引位置，效果如下：

二、提供正样本图片并保存到pos文件夹下

将预处理好的正样本移动到pos文件夹下，提供的正样本越多越好。如果正样本数量不够也可以通过在cmd下输入opencv_createsamples.exe-img sample.jpg -bg neg.txt -info pos.txt -maxxangle 0.5 -maxyangle -0.5 -maxzangle 0.5 -num XXXX(需要的正样本数量)来制作正样本集，具体原理网上资料很多，但需要注意的是这种方法提供的正样本效果很差，难以训练得到比较好的*.xml模型。所以推荐第一种方法。

关于正样本的预处理：首先将正样本从原图中抠出来，并重新调整大小，一定要resize到20*20像素左右，太大的话会严重影响训练速度。

三、得到正样本集的索引文件pos.txt

写一个脚本生成pos.txt，要求如下图：

详细说明下其意义：正样本由于保存在pos文件夹下，所以为pos/*.jpg , 之后的1 0 0 20 20 分别代表每张图中含有待训练物体的数量，以及其位置（left top width height），因为在第二步里，我们已经将物体抠出来并resize到20*20，所以每张图含一个物体，并占满整张图片。

四、向量化正样本集

cmd中输入opencv_createsamples -info pos.txt -num 2950 -w 20 -h 20 -vec pos.vec 

-num 后的数字代表正样本数量。-w，-h 代表样本的尺寸，这里用的20*20，所以为-w 20 -h 20。这样就在根目录下创建了pos.vec

五、训练模型

cmd里输入opencv_traincascade -data data -vec pos.vec -bg neg.txt -numPos 1000 -numNeg 2000 -numStages 15 -w 20 -h 20

参数意义：-numPos ：每个Stage所用的正样本数。

                -numNeg ：每个Stage所用的负样本数。

                -numStages ：训练层数

numPos最好为numNeg的一半左右为宜。

训练完毕后可以在data文件夹内找到cascade.xml模型。

六、测试模型

见github工程里test.py。