分类器之正负样本收集、训练、测试

分类器学习所需文件如下：

opencv工具

opencv_createsample.exe
opencv_traincascade.exe

数据准备

1、pos文件夹 （正样本）
2、neg文件夹 (负样本 训练时所需文件)
3、xml (分类器保存的位置)
4、pos.txt （正样本图片路径和图片大小说明）
5、 neg.txt （负样本图片路径说明 训练时所需文件）
6、pos.vec (pos.txt->pos.vec 训练时所需文件)
7、create_sample.bat (pos.txt->pos.vec的命令）
8、treain.bat (训练的命令）

一、针对人脸检测，需要收集正样本，负样本

1、正样本的收集

通过截图电脑屏幕搜集人脸图像

（ps:当然也可通过本地视频搜集人脸图像，代码作简单修改即可）
python代码如下：

# 注意使用的时候，地址作相应变化
from PIL import ImageGrab
import cv2
import numpy as np
import time

def collect_img(filepath):
    k = 1
    # 识别出人脸后要画的边框的颜色，RGB格式
    color = (0, 255, 0)
    while 1:
        time.sleep(0.5)
        img = ImageGrab.grab()
        img = np.array(img, dtype=np.uint8)
        # 将当前帧转换成灰度图像
        img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

        # 人脸检测，1.1和2分别为图片缩放比例和需要检测的有效点数
        faceRects = classfier.detectMultiScale(img_gray, scaleFactor=1.1, minNeighbors=3, minSize=(40, 40))

        if len(faceRects) > 0:  # 大于0则检测到人脸
            for faceRect in faceRects:  # 单独框出每一张人脸
                x, y, w, h = faceRect
                if w>100 and h>100:
                    # cv2.rectangle(img, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2)
                    filename = filepath + "\\" + str(k) + ".jpg"
                    k = k+1
                    # cv2.imwrite(filename, img)
                    cv2.imwrite(filename, img[y:y+h, x:x+w, :])

                    # filename = filepath + "\\" + str(k+1) + ".jpg"
                    # cv2.imwrite(filename, img)
        if k>10000:
            break
# 主函数
classfier = cv2.CascadeClassifier(r"D:\Program Files\Abacibda36\Lib\site-packages\cv2\data\haarcascade_frontalface_alt_tree.xml")
filepath = r"G:\img\face\pos"
collect_img(filepath)

2、负样本的搜集

也可以通过截图网页视频，或者本地视频进行非人脸数据的搜集

3、通过pos中的图片集生成正样本目录pos.txt

（ps：注意pos.txt中的数据格式）

#  将图片的信息保存成txt信息

import numpy as np
import cv2
import matplotlib as plt
import os
import time

def save_imginfo_to_txt(filepath, txtpath):
    files = os.listdir(filepath)
    res = []
    for file in files:
        filename = filepath + "\\" + file
        img = cv2.imread(filename)
        # 数据的格式
        res.append([filename, 1, 0, 0, img.shape[0], img.shape[1]])
    save_txt = txtpath + "\\" + "file_name.txt"
    file = open(save_txt, 'a')
    for i in res:
        file.write(' '.join([str(j) for j in i]))
        file.write("\n")
    file.close()

# 主函数
filepath = r"G:\img\face\pos"
txtpath = r"G:\img\face"
save_imginfo_to_txt(filepath, txtpath)

4、负样本同上

（PS：负样本的格式注意）
负样本只需要保存路径即可

5、通过pos.txt生成pos.vec

在进行这一个步骤的时候，python的工具opencv_createsamples.exe需要复制到当前的文件夹下
写一个bat文件
create_sample.bat
内容如下：

cd C:\Users\Administrator\Desktop\machine_learning\face_study
opencv_createsamples.exe -info  pos.txt -vec pos.vec -num 250 -w 35 -h 35
pause

二、万事俱备，只欠训练

在进行这一个步骤的时候，python的工具opencv_traincascade.exe需要复制到当前的文件夹下
训练需要的东西：pos.vec（源文件 正样本）
负样本（neg.txt）
训练的时候，也写一个bat文件
内容如下：

cd C:\Users\Administrator\Desktop\machine_learning\face_study
opencv_traincascade.exe  -data xml -vec pos.vec -bg neg.txt -numPos 100 -numNeg 300 -numStages 15 -precalcValbufSize 200 -precalcdxBufSize 1000 -featureType LBP -w 35 -h 35 -minHitRate 0.99 -maxFalseAlarmRate 0.4 -weightTrimRate 0.95 -maxDepth 1 -maxWeakCount 100 -mode ALL
pause

如果想知道具体参数
可以在cmd目录下，输入

C:\Users\Administrator>opencv_traincascade.exe
Usage: opencv_traincascade.exe
  -data <cascade_dir_name>                   //保存文件
  -vec <vec_file_name>                       //正样本 pos.vec
  -bg <background_file_name>                 //负样本 neg.txt
  [-numPos <number_of_positive_samples = 2000>]
  [-numNeg <number_of_negative_samples = 1000>]
  [-numStages <number_of_stages = 20>]
  [-precalcValBufSize <precalculated_vals_buffer_size_in_Mb = 1024>]
  [-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb = 1024>]
  [-baseFormatSave]
  [-numThreads <max_number_of_threads = 9>]
  [-acceptanceRatioBreakValue <value> = -1>]
--cascadeParams--
  [-stageType <BOOST(default)>]
  [-featureType <{HAAR(default), LBP, HOG}>]
  [-w <sampleWidth = 24>]
  [-h <sampleHeight = 24>]
--boostParams--
  [-bt <{DAB, RAB, LB, GAB(default)}>]
  [-minHitRate <min_hit_rate> = 0.995>]
  [-maxFalseAlarmRate <max_false_alarm_rate = 0.5>]
  [-weightTrimRate <weight_trim_rate = 0.95>]
  [-maxDepth <max_depth_of_weak_tree = 1>]
  [-maxWeakCount <max_weak_tree_count = 100>]
--haarFeatureParams--
  [-mode <BASIC(default) | CORE | ALL
--lbpFeatureParams--
--HOGFeatureParams--

三、测试

这里读入视频，进行人脸分类器xml的测试

import cv2
import numpy as np

window_name = "figure"
cap = cv2.VideoCapture("./1.mp4")
# 告诉OpenCv使用人脸识别分类器
haar_xml = r"C:\Users\Administrator\Desktop\machine_learning\face_study\xml\cascade.xml"
classfier = cv2.CascadeClassifier(haar_xml)
# 识别出人脸后要画的边框的颜色，RGB格式
color = (0, 255, 0)

while(1):
    # get a frame
    ret, frame = cap.read()
    if not ret:
        break
    # 将当前帧转换成灰度图像
    grey = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 人脸检测，1.1和2分别为图片缩放比例和需要检测的有效点数
    faceRects = classfier.detectMultiScale(grey, scaleFactor=1.1, minNeighbors=3,minSize=(20,20))

    if len(faceRects) > 0:  # 大于0则检测到人脸
        for faceRect in faceRects:  # 单独框出每一张人脸q
            x, y, w, h = faceRect
            cv2.rectangle(frame, (x - 10, y - 10), (x + w + 10, y + h + 10), color, 2)

    # 显示图像
    cv2.imshow(window_name, frame)
    if cv2.waitKey(100) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

若有疏漏之处，再完善！