Opencv目标检测之级联分类器训练与测试

 OpenCV提供了两个程序可以训练自己的级联分类器opencv_haartraining与opencv_traincascade。opencv_traincascade是一个新程序，使用OpenCV 2.x API 以C++编写。这二者主要的区别是opencv_traincascade支持 Haar和 LBP (Local Binary Patterns)两种特征，并易于增加其他的特征。与Haar特征相比，LBP特征是整数特征，因此训练和检测过程都会比Haar特征快几倍。LBP和Haar特征用于检测的准确率，是依赖训练过程中的训练数据的质量和训练参数。训练一个与基于Haar特征同样准确度的LBP的分类器是可能的。

     与其他分类器模型的训练方法类似，同样需要训练数据与测试数据；其中训练数据包含正样本pos与负样本neg。训练程序opencv_haartraining.exe与opencv_traincascade.exe对输入的数据格式是有要求的，所以需要相关的辅助程序：

   opencv_createsamples 用来准备训练用的正样本数据和测试数据。opencv_createsamples 能够生成能被opencv_haartraining 和 opencv_traincascade 程序支持的正样本数据。它的输出为以 *.vec 为扩展名的文件，该文件以二进制方式存储图像。

所以opencv级联分类器训练与测试可分为以下四个步骤：

1.  准备训练数据
2.  训练级联分类器
3.  测试分类器性能
4. 利用训练好的分类器进行目标检测

1、准备训练数据

注：以行人数据为例，介绍分类器的训练

1.1准备正样本

 正样本由opencv_createsamples生成。正样本可以由包含待检测物体的一张图片生成，也可由一系列标记好的图像生成。

 首先将所有的正样本放在一个文件夹，如图所示1。其中，pos.dat文件为所有图像的列表文件，格式如图2所示：其中，第一列为图像名，第二列为该图像中正样本的个数，最后的为正样本在图像中的位置以及需要抠出的正样本的尺寸。pos.dat文件的生成方式：在dos窗口进入pos文件夹，输入dir /b > pos.dat ; 这样只能生成文件名列表，后面的正样本个数与位置尺寸还需手动添加。

图1.正样本数据

图2

1.2 opencv_createsamples.exe生成.vec格式的正样本文件

可以在dos命令窗运行opencv_createsamples.exe程序，也可利用.bat批处理文件；利用.bat批处理文件的格式如下。

"D:\Program Files\opencv\build\x64\vc10\bin\opencv_createsamples.exe" -info "pos\pos.dat"   -vec pos.vec -num 500 -w 64 -h 128 
pause 

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）。

1.3准备负样本

   负样本可以是任意图像，但是这些图像中不能包含待检测的物体。用于抠取负样本的图像文件名被列在一个neg.dat文件中。生成方式与正样本相同，但仅仅包含文件名列表就可以了。这个文件是纯文本文件，每行是一个文件名（包括相对目录和文件名）这些图像可以是不同的尺寸，但是图像尺寸应该比训练窗口的尺寸大，因为这些图像将被用于抠取负样本，并将负样本缩小到训练窗口大小。如图3所示。

图3

2、训练级联分类器

  OpenCV提供了两个可以训练的级联分类器的程序：opencv_haartraining与opencv_traincascade。opencv_haartraining是一个将被弃用的程序；opencv_traincascade是一个新程序。
opencv_traincascade程序的.bat批处理文件的格式如下：

"D:\Program Files\opencv\build\x64\vc10\bin\opencv_traincascade.exe"  -data "E:\2013Mycode\TrainCascadeClassification" -vec pos.vec -bg neg\neg.dat -numPos 29 -numNeg 29 -numStages 20 -mem 200 -featureType LBP  -w 64 -h 128
Pause

opencv_traincascade 的命令行参数如下所示：

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 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 min_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 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。

3.测试分类器性能

  opencv_performance 可以用来评估分类器的质量，但只能评估 opencv_haartraining 输出的分类器。它读入一组标注好的图像，运行分类器并报告性能，如检测到物体的数目，漏检的数目，误检的数目，以及其他信息。同样准备测试数据集test，生成图像列表文件，格式与训练者正样本图像列表相同，需要标注目标文件的个数与位置。

3.1  opencv_haartraining程序训练一个分类器模型

为了了解opencv_performance的用法，先用opencv_haartraining程序训练一个分类器模型，方法与opencv_traincascade相似。
opencv_haartraining程序的.bat批处理文件的格式如下：

"D:\Program Files\opencv\build\x64\vc10\bin\opencv_haartraining.exe"  -data "E:\2013Mycode\TrainCascadeClassification\cascade" -vec pos.vec -bg neg\neg.dat -npos 29 -nneg 29 -mem 200 -mode BASIC -w 64 -h 128
Pause

opencv_haartraining 的命令行参数如下：

• －data存放训练好的分类器的路径名。
• －vec正样本文件名（由trainingssamples程序或者由其他的方法创建的）
• －bg背景描述文件。
• －npos，
• －nneg用来训练每一个分类器阶段的正/负样本。合理的值是：nPos = 7000;nNeg= 3000
• －nstages训练的阶段数。
• －nsplits决定用于阶段分类器的弱分类器。如果1，则一个简单的stump classifier被使用。如果是2或者更多，则带有number_of_splits个内部节点的CART分类器被使用。
• －mem预先计算的以MB为单位的可用内存。内存越大则训练的速度越快。
• －sym（default）
• －nonsym指定训练的目标对象是否垂直对称。垂直对称提高目标的训练速度。例如，正面部是垂直对称的。
• －minhitrate《min_hit_rate》每个阶段分类器需要的最小的命中率。总的命中率为min_hit_rate的number_of_stages次方。
• －maxfalsealarm没有阶段分类器的最大错误报警率。总的错误警告率为max_false_alarm_rate的number_of_stages次方。
• －weighttrimming指定是否使用权修正和使用多大的权修正。一个基本的选择是0.9
• －eqw
• －mode选择用来训练的haar特征集的种类。basic仅仅使用垂直特征。all使用垂直和45度角旋转特征。
• －w《sample_width》
• －h《sample_height》训练样本的尺寸，（以像素为单位）。必须和训练样本创建的尺寸相同。

3.2 opencv_performance测试分类器模型

opencv_performance程序的.bat批处理文件的格式如下：

"D:\Program Files\opencv\build\x64\vc10\bin\opencv_performance.exe"  -data "E:\2013Mycode\TrainCascadeClassification\cascade.xml" -info test/test.dat -w 64 -h 128 -rs 30
Pause

opencv_performance 的命令行参数如下所示：

• -data 训练好的分类器
• -info    描述物体所在图像以及大小位置的描述文件
• -maxSizeDiff
• -maxPosDiff
• -sf
• -ni 选项抑制创建的图像文件的检测
• -nos
• -rs ]
• -w
• -h

4、利用训练好的分类器进行目标检测

#include "opencv2/core/core.hpp"  
#include "opencv2/objdetect/objdetect.hpp"  
#include "opencv2/highgui/highgui.hpp"  
#include "opencv2/imgproc/imgproc.hpp"  
#include   
#include   
#include   
  
using namespace std;  
using namespace cv;  
  
string Cascade_mode ="cascade.xml";   //已训练好的分类器
CascadeClassifier Mycascade;  
string window_name = "Pedestrain";  
  
Mat detectAndDisplay( Mat);  
  
int main()  
{  
    Mat image,ROI;  
	
    if(!Mycascade.load( Cascade_mode ))  { printf("[error] 无法加载级联分类器文件！\n");   return -1;    }  
    image= imread("walk.jpg");//读取图片  
    if(!image.data)  {   printf("[error] 没有图片\n");   return -5;  }  
    ROI= detectAndDisplay(image);  
    waitKey(0);   
    return 4;  
}  
  
Mat detectAndDisplay( Mat frame)  
{  
    std::vector pedestrain;  
	Mat frame_gray(frame.size(),CV_8U);  
    cvtColor( frame, frame_gray, CV_BGR2GRAY );  
    equalizeHist( frame_gray, frame_gray );  
  
    Mycascade.detectMultiScale( frame_gray, pedestrain, 1.1, 2, 0, Size(64, 128) );  
  
    for( int i = 0; i < pedestrain.size(); i++ )  {    
        rectangle(frame,                   //图像.  
			      pedestrain[i],
                  Scalar(0, 255, 0),     //线条颜色 (RGB) 或亮度（灰度图像 ）(grayscale image）  
                  1);                   //组成矩形的线条的粗细程度。取负值时（如 CV_FILLED）函数绘制填充了色彩的矩形 
    }  
 
  imshow( window_name, frame );  
  return frame;  
}  

运行结果如图4：

更多资源：http://blog.csdn.net/wuxiaoyao12/article/details/39227189

http://note.sonots.com/SciSoftware/haartraining.html#x15ebd98

http://www.cnblogs.com/easymind223/archive/2012/07/03/2574826.html

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html