使用OpenCV自带的级联分类器进行目标检测

前言

做项目的时候使用到了OpenCV自带的haartraining训练器。在这片文章中就针对其进行使用进行说明，希望对各位看官有用。

样本集处理

正样本集

这里首先采集到未经处理的原始样本集，通过手工标注或是截取的形式得到正样本集。对正样本集进行标准化，这里生成的是30*30大小的正样本图像，这样主要为了加快训练的速度。得到的正样本集如下

之后在当前目录下打开命令行窗口，将正样本的路径导入到pos.txt文件中去

dir /s/b > pos.txt

生成文件之后需要对文件进行标记指定目标的个数、区域的起始XY坐标、宽度、高度

调用opencv_createsamples.exe生成样本集

opencv_createsamples.exe -vec pos.vec -info pos.txt -num 10 -w 30 -h 30

上面命令行参数解释为：通过pos.txt提供的路径生成30*30图像大小块的正样本集pos.vec。这里顺带说明一下opencv_createsamples.exe程序的命令行参数：

-info  描述物体所在图像以及大小位置的描述文件。
-vec 输出文件，内含用于训练的正样本。
-img 输入图像文件名（例如一个公司的标志）。
-bg背景图像的描述文件，文件中包含一系列的图像文件名，这些图像将被随机选作物体的背景。
-num生成的正样本的数目。
-bgcolor背景颜色（目前为灰度图）；背景颜色表示透明颜色。因为图像压缩可造成颜色偏差，颜色的容差可以由-bgthresh指定。所有处于bgcolor-bgthresh和bgcolor+bgthresh之间的像素都被设置为透明像素。
-bgthresh 
-inv如果指定该标志，前景图像的颜色将翻转。
-randinv如果指定该标志，颜色将随机地翻转。
-maxidev前景样本里像素的亮度梯度的最大值。
-maxxangle X轴最大旋转角度，必须以弧度为单位。
-maxyangle Y轴最大旋转角度，必须以弧度为单位。
-maxzangleZ轴最大旋转角度，必须以弧度为单位。
-show很有用的调试选项。如果指定该选项，每个样本都将被显示。如果按下Esc键，程序将继续创建样本但不再显示。
-w输出样本的宽度（以像素为单位）。
-h输出样本的高度（以像素为单位）。

负样本集

对于负样本集并不要求样本的尺寸都是完全相同的，但是要大于正样本的大小。负样本不能有重复的，且增大负样本的差异性。这里对负样本只进行了灰度化处理。

处理完负样本图像之后，也需要生成负样本目录文件

dir /s/b > neg.txt

训练和检测

训练

前面已经收集好了正样本和负样本，接下来就可以使用训练器进行训练了

opencv_haartraining.exe -data out -vec pos.vec -bg neg.txt -nstages 10 -nsplits 1 -npos 10 -nneg 100 -mem 1280 -mode all -w 30 -h 30

说一下这些参数的含义

1.通用参数：
-data 目录名，如不存在训练程序会创建它，用于存放训练好的分类器。
-vec 包含正样本的vec文件名（由opencv_createsamples程序生成）。
-bg 背景描述文件，也就是包含负样本文件名的那个描述文件。
-numPos 每级分类器训练时所用的正样本数目。
-numNeg 每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目。
-numStages 训练的分类器的级数。
-precalcValBufSize缓存大小，用于存储预先计算的特征值(feature values)，单位为MB。
-precalcIdxBufSize缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB。内存越大，训练时间越短。
-baseFormatSave这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储。
2.级联参数：
-stageType <BOOST(default)>级别（stage）参数。目前只支持将BOOST分类器作为级别的类型。
-featureType<{HAAR(default), LBP}>特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征。
-w 
-h 训练样本的尺寸（单位为像素）。必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。
3.分类器参数：        
-bt <{DAB, RAB, LB,GAB(default)}> Boosted分类器参数：
DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB -Gentle AdaBoost。Boosted分类器的类型：
-minHitRate分类器的每一级希望得到的最小检测率。总的检测率大约为n_hit_rate^number_of_stages。
-maxFalseAlarmRate分类器的每一级希望得到的最大误检率。总的误检率大约为 max_false_alarm_rate^number_of_stages.
-weightTrimRate Specifies whether trimmingshould be used and its weight.一个还不错的数值是0.95。
-maxDepth 弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）。
-maxWeakCount每一级中的弱分类器的最大数目。The boostedclassifier (stage) will have so many weak trees (<=maxWeakCount), as neededto achieve the given -maxFalseAlarmRate.
4.类Haar特征参数：
-mode <BASIC (default) |CORE | ALL>选择训练过程中使用的Haar特征的类型。 BASIC 只使用右上特征， ALL使用所有右上特征和45度旋转特征。
5.LBP特征参数：
LBP特征无参数。

训练完成之后看到的就是最重要的XML文件了，用作后面分类使用

检测

这里就直接贴出目标检测的代码了

//根据提供的XML去检测目标图像是否包含需要的结果
bool ObjectDetectShow(std::string xml_path, std::string testpic_path)
{
    cv::CascadeClassifier Mycascade;
    if (!Mycascade.load(xml_path))
    {
        cout << "[error] 无法加载级联分类器文件！" << endl;
        return false;
    }
    cv::Mat image = cv::imread(testpic_path, 0);//读取图片    
    if (!image.data)
    {
        cout << "[error] 没有图片" << endl;
        return false;
    }

    std::vector pedestrain;
    cv::Mat frame_gray = image;

    Mycascade.detectMultiScale(frame_gray, pedestrain, 1.1, 3, 0, cv::Size(20, 20));

    for (unsigned int i = 0; i < pedestrain.size(); i++)
    {
        rectangle(image, pedestrain[i], cv::Scalar(0, 255, 0), 1);  //画出目标的矩形区域
        //接下来还需要有对这些检测出来的区域进行进一步甄别的代码，此处省略...
    }

    cv::imshow("result", image);
    cv::waitKey(0);

    return true;
}

检测函数参数说明

void CascadeClassifier::detectMultiScale(const Mat& image, —Mat类型的图像
    vector& objects, —检测得到的矩形
    double scaleFactor,    —图像缩放因子，必须大于1
    int minNeighbors,      —构成检测目标的相邻矩形的最小个数
    int flags,             —旧分类器使用，新分类器弃用
    Size minObjectSize,    —最小检测窗口大小
    Size maxObjectSize)    —最大检测窗口大小（默认是图像大小）