OpenCV：使用traincascade训练分类器完成图像识别任务

图像识别:猫

一.样本准备

选取网站：

• 首先自网络上选取网站爬取或批量下载图片文件素材 将其保存在文件夹中
• 选取网站时候需要稍稍注意下 可以随意搜索个关键字看看搜索结果中图片的质量怎么样
• 有些网站可能搜索“猫” 它会把动漫形象的猫或者是其他动物一并返回在结果中
• 这样的情况下爬取的效果就较为糟糕 对爬取的图片还需要做很多人工筛选的工作。

保存方式：

• 其中正例与负例需要分开放置 同时我利用代码分别完成了正负例图片的重命名

• 对图片文件进行批量重命名的python代码：

import os
path = "cat\\"
n = 0
for file in os.listdir(path):
    os.rename(path+file, path+""+str(n+1) + '.jpg')
    n += 1

正负例样本：

• 正例与负例样本数量比例最好为1:3
• 正例要求严格 一定要清晰地包含识别的主体
• 负例选取的范围很广 但仍需要与正例拥有一定相关性 不应该天马行空。

样本初步完成收集后 如下所示：

图一:正类图片样本

图二:负类图片样本

二.图像处理

• 将正例图像处理为统一尺寸 ，图片尺寸可以自己选择
• 但过大的尺寸会导致难以训练(特别是个人笔记本电脑配置不佳)
• 同时图片转化为灰度图 ，利用灰度图能够加快模型训练速度
• 负例图片尺寸可以不进行处理 但仍需要转化为灰度图

weight = 40
height = 40
path = "cat\\"
outpath = "positive\\"
for file in os.listdir(path):
    img = cv.imread(path+file)
    img = cv.resize(img, (weight, height))
    gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
    cv.imwrite(outpath+file,gray)

完成处理后，图像如下：

图三:正类样本灰度图

三.样本描述

对正例输出样本描述的文本文件

workpath = os.getcwd()+"\\"
path = "positive\\"
f = "positive.txt"
for file in os.listdir(path):
    with open(f,"a") as f1:  
        f1.write(str(workpath+path+file)+" 1 0 0 "+str(weight)+" "+str(height)+" \n")

文本内容如下：

<图片绝对地址 识别对象 图像起始坐标 图像宽高>

图四:正类样本描述文本

对于负例同样需要进行处理 但是只需要保存图片地址即可

不必如正例一般添加详细信息

图五:负类样本描述文本

四.训练分类器

OpenCV库训练采用的是Viola-Jones框架，选择了一种类Haar矩形特征，采用Ada-Boost这种自适应上升的算法来选择用于分类的特征并进行分类，最后使用弱分类器级联的架构来实现快速运算。

在项目文件夹目录下 进入cmd环境

图六:进入cmd环境

输入如下语句生成vec文件

opencv_createsamples.exe -info 正例样本描述.txt -vec cat.vec -bg negative.txt -num 2037 -w 40 -h 40

如下：

图七:vec文件

而后利用该vec文件 生成属于自身的分类器：

opencv_traincascade.exe -data xml -vec cat.vec -bg negative.txt -numPos 1800 -numNeg 5015 -numStages 10 -featureType HAAR -w 40 -h 40 -maxDepth 3

如下 该cascade.xml文件便是我们使用的分类器：

图八:级联分类器

五.识别效果及调整

5.1 少量样本模型

• 正例 40×30 灰度图 数量25

• 负例 40×30 灰度图 数量25

• 模型参数 stage=2 type=harr maxDepth=1

• 训练用时:0s

• 效果如下：

• 

• 评价：

• 将非生物的物品如窗帘地板均当作特征进行了抓取

• 较为混乱 基本没能抓住重要特征。

5.2 模型调整：补充样本集合

• 正例 40×30 灰度图 数量772

• 负例 120×90 灰度图 数量2599

• 模型参数 stage=10 type=LBP maxDepth=1

• 训练用时:3mins

• 效果如下：

• 

• 评价：

• 能够抓住一定的猫的特征了 比如独特的猫耳朵 猫爪子

• 但是还是效果不佳 如无环境干扰下将狗的毛发认作了猫的特征

• 

5.3 模型调整：增大图片尺寸

• 正例 60×45 灰度图 数量772

• 负例 180×135 灰度图 数量2599

• 模型参数 stage=10 type=LBP maxDepth=1

• 训练用时:1h30mins

• 效果如下：

• 

• 

5.4 模型调整：补充样本集合

• 正例 20×20 灰度图 数量2037

• 负例 60×60 灰度图 数量5015

• 模型参数 stage=10 type=HAAR maxDepth=3

• 训练用时: 5h 30mins

• 效果如下：

• 当干扰较少时 能够较好地抓取到猫猫的独特特征

• 

• 

• 但如果环境较为复杂 则极容易出错

• 

• 将地毯的绒毛看作了猫猫的特征：

5.5 模型调整：增大图片尺寸

• 正例 30×30 灰度图 数量2037
• 负例 90×90 灰度图 数量5015
• 模型参数 stage=10 type=HAAR maxDepth=3
• 训练用时: 47h01mins