Opencv3.41 分类器训练的方法

至于原理这里就不再进行详细介绍了，直接说明如何进行训练。在opencv的安装目录中的bin文件夹下有两个可执行文件opencv_createsamples.exe和opencv_traincascade.exe。将这两个文件拷贝到训练文件夹下，并将正、负样本的文件夹和描述文件——positive_samples.txt和negative_samples.txt也拷贝到这个文件夹下。同时，新建两个.bat文件——create_positive_samples.bat和traincascade.bat，新建一个文件夹data。

资源打包   https://download.csdn.net/download/eddray/10546182

这样，训练目录如下：

 

 

1、制作正样本

首先是制作和收集正样本图片，并将正样本图像的大小进行统一缩放（如40*40），然后在正样本描述文件中，添加对正样本的描述，形式如下：

然后在create_positive_samples.bat文件中添加如下内容：

其中，-info字段填写正样本描述文件；-vec用于保存制作的正样本；-num制定正样本的数目；-w和-h分别指定正样本的宽和高。

保存，双击这个文件，开始制作正样本：

这样，正样本制作完成。

 

2、级联分类器训练

下面进行级联分类器的训练，在traincascade.bat中输入如下内容

字段说明如下：

-data：指定保存训练结果的文件夹；

-vec:指定正样本集；

-bg:指定负样本的描述文件夹；

-numPos：指定每一级参与训练的正样本的数目（要小于正样本总数）；

-numNeg:指定每一级参与训练的负样本的数目（可以大于负样本图片的总数）；

-numStage:训练的级数；

-w:正样本的宽；

-h:正样本的高；

-minHitRate:每一级需要达到的命中率（一般取值0.95-0.995）；

-maxFalseAlarmRate:每一级所允许的最大误检率；

-mode:使用Haar-like特征时使用，可选BASIC、CORE或者ALL；

另外，还可指定以下字段：

-featureType:可选HAAR或LBP，默认为HAAR;

其他字段将不再说明。

 

保存，双击执行，开始漫长的训练过程（训练可中断，中断后再执行，会继续中断前的训练）

训练结束后，data文件夹下会生成如下训练结果：

cascade.xml文件即为最终的训练结果，即可拿来进行目标检测，参考OpenCV3中的级联分类器目标检测——cv::CascadeClassifier简介。