Opencv Qt 学习笔记（三） 级联器的训练

一、参考资料

感谢以下两位博主的资料（侵删）:

http://blog.csdn.net/qq_26625581/article/details/78201833

http://blog.csdn.net/yeyang911/article/details/17753033

http://blog.csdn.net/u013355191/article/details/40381107

二、准备正负样本

这里我为大家提供了一个小程序以供大家方便的采集样本（2个资源币是已经是最低，醉了）

        http://download.csdn.net/download/qq_26625581/10023356

三、创建一个新的文件夹，

并把当时opencv编译的build目录下的opencv_createsample.exe和opencv_traincascade.exe，并创建pos文件夹（放正样本）和neg文件夹（放负样本）

用cmd分别进入pos和neg目录下，使用dir /b > pos.txt(dir /b > neg.txt)命令，把文件路径拷贝到描述文件中。

使用notepad++之类的程序，打开描述文件，把原有的路径描述修改成这样，最后两个参数是图片大小。

neg文件夹里面的负样本不用后面的描述参数。

四、生成.vec文件

使用cmd进入到两个.exe文件所在的文件夹，使用opencv_createsample.exe生成.vec。

-vec（生成的.vec文件名） -info（正样本描述文件） -bg（负样本的描述文件） -w-h（正样本大小） -num（正样本数量）

成功输出：

五、训练级联器

创建一个data文件夹。

使用opencv_traincascade.exe训练。-data（cascade.xml生成目录）

（重点！-numPos和-numNeg正负样本数要比实际的少一点，不然会不通过）

（重点！如果出现OutOfMemoryError的错误是x86平台限制适当调小正负样本数，或者移动到x64平台）

（重点！-featureType对正样本有大小限制（HAAR是20*20）（HOG好像没有？）（LBP好像是26*26？））

Tips：美图秀秀可以批量更改图片大小

我是用Haar的因为OpenCV默认的人脸识别例程是使用Haar识别的，方便测试。

通用参数：

-data ：目录用于保存训练产生的分类器xml文件和中间文件（对于上面的LBP_classifier），如不存在训练程序会创建它；

-vec ：由 opencv_createsamples 程序生成的包含正样本的vec文件名（对应上面的pos_24_24.vec）；

-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（对应上面的neg\neg.txt）；

-numPos ：每级分类器训练时所用的正样本数目（默认值为2000）；
-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（默认值为1000）；

-numStages ：训练的分类器的级数（默认值为20级）；

-precalcValBufSize ：缓存大小，用于存储预先计算的特征值(feature values)，单位为MB（默认值为256）；
-precalcIdxBufSize ：缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB（默认值为256）；

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（默认不指定该参数项，此时其值为false；一旦指定则其值默认为true）；

级联参数：CvCascadeParams类，定义于cascadeclassifier.h
-stageType ：级别（stage）参数。目前只支持将BOOST分类器作为级联的类型；
-featureType<{HAAR(default), LBP}>：特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征（默认Harr）；
-w ：训练样本的宽（单位为像素，默认24）；
-h ：训练样本的高（单位为像素，默认24）；
训练样本的尺寸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。

Boosted分类器参数：CvCascadeBoostParams类，定义于boost.h
-bt <{DAB, RAB, LB, GAB(default)}>：Boosted分类器的类型（DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost为默认）；
-minHitRate ：分类器的每一级希望得到的最小检测率（默认值为0.995），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（默认值为0.5），总的误检率大约为 max_false_alarm_rate^number_of_stages；
-weightTrimRate ：Specifies whether trimming should 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（默认值为100）。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate；

六、完成