分类器训练——haar分类器的使用方法及注意事项

 

一、简介

      Harr分类器是一个很有用的工具，它主要是用来实现对刚性物体的检测的分类器的训练。Harr分类器使用了harr特征或更准确的描述是类Harr的小波特征，该特征由矩形图像区域的加减组成。

  Opencv的harr分类器位于...\OpenCV\bin中，bin中的文件就是我们训练自己的分类器是要用到的东西。

 

二、分类器训练的方法与步骤

分类器的训练主要分为四步：

1、样本的创建

2、分类器的训练

3、Xml文件生成

4、对训练好的分类器的效果的检测

一个好的分类器能够很灵敏的对目标物体进行识别和跟踪，但它的训练需要数量庞大的正样本与负样本。在这里我只选取少量的样本来进行试验演示。

1、样本的创建

样本的创建分为正样本的创建与负样本的创建。

（1）正样本的创建

  A、样本的制作

对于正样本，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小），如图所示：

  B、样本描述文件的生成

方法有两种：

1、采用Dos命令行的方式生成。具体方法如下：

采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:\face\posdata下，则：按Ctrl+R打开Windows运行程序，输入cmd打开DOS命令窗口，输入 d:回车，再输入cd D:\face\negdata进入图片路径，再次输入dir /b > negdata.dat，则会图片路径下生成一个negdata.dat文件，打开该文件将最后一行的negdata.dat删除，这样就生成了负样本描 述文件。dos命令窗口结果如下图：

完成后正样本文件夹内会生成一个txt的文件，打开文件，删除面posdata.txt这一项，保存即可。

1、编写批处理指令实现（推荐）：

在正样本文件夹下新建create.bat（先创建txt文件在改为bat文件）文件，执行“编辑”命令，在改文件中写入：

dir /b >posdata.txt

Pause

保存即可。

运行create.bat文件即可生成posdata.txt文件，同样删除其中多余部分。

2、将生成的txt文件改为：

image1.jpg 1 0 0 24 24

image2.jpg 1 0 0 24 24

image3.jpg 1 0 0 24 24

image4.jpg 1 0 0 24 24

image5.jpg 1 0 0 24 24

image6.jpg 1 0 0 24 24

image7.jpg 1 0 0 24 24

image8.jpg 1 0 0 24 20

image9.jpg 1 0 0 24 24

image10.jpg 1 0 0 24 24

（2）负样本的创建

负样本的具体要求为：负样本可以来自于任意的图片，但这些图片不能包含目标特征。

负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。创建方法跟上面方法相同。但最后的第3步无需执行。

2、分类器的训练

利用正样本文件输出一个格式的训练文件pos.vec

方法同样有两种，此处只讲一种：

在bin目录下创建一个批处理文件createsamples.bat,并在里面写入：

createsamples.exe -info posdata\posdata.txt -vec data\pos.vec -num 10 -w 18 -h 18

Pause

保存后运行，结果如下：

3、haartraining生成分类器

在此处同样只讲一种方法：

方法同上，创建haartraining.bat文件，并输入：

haartraining.exe -data data\cascade -vec data\pos.vec -bg negadata\negadata.txt -npos 10 -nneg 10 -mem 200 -w 18 -h 18

Pause

执行程序，结果如下：

 

结果可能跟这个不完全相同，但也足够了！！！

4、xml文件的生成

完此步需要另外几个文件，如下图：

其中convert.bat是批处理文件，代码如下：

haarconv.exe cascade output.xml 18 18

执行即可生成xml文件，即为目标文件。

 

5、对训练好的的分类器进行测试

这一步需要用到facedetect.exe等一下文件：

 

Start文件中指令如下：

facedetect.exe --cascade="output.xml" 0

运行该文件即可生成一个xml文件！！

 

三、题外话

           本人只是学习opencv的菜鸟，刚刚在机器学习上有所收获，发这篇文章仅供参考，为的只是相互学习，错误的地方还望大家慷慨指正！！！