Python3+OpenCV学习笔记（五）：鸟类检测模型的训练

最近各种事情耽搁，OpenCV的学习也没有进展。

因为项目需求，所以自己做了这样一个基于Haar特征级联分类器的鸟类检测模型，记录下来。

OpenCV官方文档中有一个Haar级联分类器做的人脸检测例程，自行参阅文档。

做一个鸟类检测模型首先需要训练出一个识别用的.xml文件，下面就开始进行训练。

 

一、准备样本集

样本集需要正样本集和负样本集。

正样本集：正样本集为包含“鸟类”的灰度图，一般大于等于2000张，尺寸不能太大（20*40），尺寸太大会导致训练时间过长。

负样本集：负样本集为不含“鸟类”的任何图片，一般大于等于5000张，尺寸比正样本集稍大（60*60）。

由于项目要求不高，所有的样本集都是我自己在网上找的图片，然后用python脚本对尺寸进行了调整，全部为灰度图。

左边是正样本集（40*40），右边是负样本集（100*100）。PS：由于自己做的样本集数量不大，所有尺寸稍大

 

二、准备文件夹

将正负样本集分别放入pos和neg文件夹，存放在路径D:\Anaconda\pkgs\opencv-3.3.0-py35_200\Library\bin（PS：个人的安装环境不同，路径有差异）。

在该路径下新建xml文件夹。

 

三、cmd打开dos命令窗口，进入pos路径下

输入以下命令，创建pos.txt文件

dir/b >pos.txt

 

                               

 

打开pos.txt，将jpg全部替换为jpg 1 0 0 40 40

删除最后一行路径pos.txt

保存

"1"为图片数量，“0,0”为坐标（Left，Top）,“40,40”为图片尺寸（width, height）。

 

同理，进入neg文件夹，输入以下命令生成neg.txt

dir/b >neg.txt

 

 

打开neg.txt，将图片名前面加入路径：

neg/

删除最后一行路径neg.txt

 

四、生成pos.vec

dos窗口进入路径D:\Anaconda\pkgs\opencv-3.3.0-py35_200\Library\bin，及pos、neg、xml文件夹所在的路径，输入下列命令生成pos.vec文件。

 

opencv_createsamples.exe -info pos\pos.txt -vec pos.vec -bg neg\neg.txt -num 50 -w 40 -h 40

 

 

 

 

 

-bg 作为背景

-num 正样本数量

-w 正样本宽度

-h 正样本高度

生成成功后出现如下界面：

 

五、开始训练

接下来输入以下命令，开始进行训练

 

opencv_traincascade.exe -data xml -vec pos.vec -bg neg\neg.txt -numPos 50 -numNeg 100 -numStages 20 -featureType HAAR -w 40 -h 40

 

 

 

 

 

-data 后面跟文件夹名

-vec vec文件

-bg 作为背景的文件

-numPos 正样本数量

-numNeg 负样本数量

-numStages 级数

-featureType 特征类型，可以跟HAAR、LBP、HOG

接下来就是等待训练结果的过程。

训练完成后会在xml文件夹中出现一个***.xml文件，这就是我们需要的东西。检验过程类似人脸检测（官方教程中可以找到），只是将haarcascade_frontalface_default.xml换成了我们自己训练的***.xml文件。

在上面这些过程中可能会遇到各种问题，各个论坛的大神都给出了解答，这里就不献丑了。

补：

昨天又将样本扩大进行了训练，识别正确率有了明显提升。不过训练过程中也遇到了更多细节问题，比如因为minhirateh（最小正确测试率）和maxfalsealarm（最大错误接受率）设置得不恰当，导致训练提前结束，还有根据HAAR特征、LBP特征、HOG特征各自的特性，似乎HOG更适合做此类检测。下面给出一个链接，可以参考：

参考链接