训练样本的过程

转自http://htedsv.com/?p=137

 

目标：训练眼睛分类器
数据准备
正例：收集眼睛图像，图像大小一致（720*576共800张）
反例：不包含眼镜的图像，图像大小与正例图像一致（共80）
训练步骤：（OPencv2.0）
一、 数据预处理
每个正例数据，使用ObjectMarker在每个图像上画出眼镜区域， 那么在一幅图像上可以得到两个矩形框，ObjectMarker会自动生成一个info.txt文本用于后面的训练。ObjectMarker是基于 Opencv的图像处理工具，它只能打开bmp格式的图像，主要的功能是在图像上画出目标区域，会自动生成目标描述文本（info.txt）。每一个文本 行对应一个图片。每行的第一个元素是图片文件名，第二个元素是对象实体的个数。后面紧跟着的是与之匹配的矩形框（x, y, 宽度，高度）。内容如下：
rawdata/img1.bmp 2 211 205 60 27 345 215 51 28
rawdata/img10.bmp 2 194 204 61 27 329 216 58 31
rawdata/img101.bmp 2 206 265 56 19 340 276 51 22
rawdata/img102.bmp 2 211 263 49 20 340 278 58 20
rawdata/img103.bmp 2 211 263 54 22 339 277 54 19
…
用bg.txt文档描述反例数据：
negimg/bg1.bmp
negimg/bg2.bmp
negimg/bg3.bmp
negimg/bg4.bmp
…
二、创建样本
使用如下命令创建样本：
opencv_createsamplesd -info info.txt -num 300 -bg bg.txt -vec pos.vec -w 65 -h 30
opencv_createsamplesd是Opencv2.0提供用于创建样本命令。opencv_createsamplesd程序的命令行参数：
－vec 训练好的正样本的输出文件名。
－img源目标图片（例如：一个公司图标）
－bg背景描述文件。
－num要产生的正样本的数量，和正样本图片数目相同。
－bgcolor背景色（假定当前图片为灰度图）。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh和bgcolor＋bgthresh中间的像素被认为是透明的。
－bgthresh
－inv如果指定，颜色会反色
－randinv
如果指定，颜色会任意反色
－maxidev背景色最大的偏离度。
－maxangel
－maxangle
－maxzangle
最大旋转角度，以弧度为单位。
－show
如果指定，每个样本会被显示出来，按下”esc”会关闭这一开关，即不显示样本图片，而创建过程继续。这是个有用的debug选项。
－w
输出样本的宽度（以像素为单位）
－h
三、训练分类器
样本创建之后，接下来要训练分类器，这个过程是由haartraining程序来实现的。使用下面的命令进行训练：
opencv_haartrainingd -data f://data -vec vec_pos.vec -bg bg.txt -npos 300 -nneg 10 -w 65 -h 30
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
－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。
－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。（2比较好，1比较快）
－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
－h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。
训练结束后，会在目录data下生成一些子目录，即为训练好的分类器。同时会生成data.xml（网络上一些资料说xml要用另外个程序生成，事实上这边已经可以生成了）。
在这个过程存在着几个问题，需要在进一步分析：
在完成这个训练过程后对得到的data.xml进行测试，得到的效果比较差。
在创建样本的过程中，需要输入检测窗口的大小作为参数，而每次从原图中截取的图像的大小都是不一样的，这个窗口时如何确定的？