OpenCV中级联分类器Cascade训练方法（Linux）

---

1.OpenCV中级联分类器简介

• OpenCV中可供训练的分类器有两个：
  • opencv_haartraining
    在其官方文档中提到opencv_haartraining已经是一个过时的应用
  • opencv_traincascade
  1. 该分类器是2.x版本中基于C++写的新版本的分类器。opencv_traincascade支持Haar和LBP。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。
  2. 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。

---

2.准备分类器训练所需的官方工具

• 1）opencv_createsamples

  • 用于准备训练数据的正样本和测试样本。
  • opencv_createsamples可以生成支持opencv_haartraining和opencv_traincascade分类器的正样本数据。
  • 输出文件是以.vec为后缀的包含图像信息的二进制数据类型。

• 2）opencv_traincascade

  • 用于训练cascade分类器，注意stage。

• 3）opencv_performance

  • 可以用来评估分类器的质量。
  • 但仅对opencv_haartraining生成的分类器有效。

注意：所用文件位置：

• 在已配好OpenCV环境的状态下（一般在编译目录下）：
  - Linux：/usr/local/bin/ 或者 …/opencv-3.4.1/build/bin
  - Windows：…\opencv\build\x64\vc12\bin
  

---

3.准备训练数据（正样本、负样本）

• 1）文件夹结构

classifier： 用于存放训练好的.xml文件。需要手动建立，否则最后stage保存会出现问题。
pos： 用于存放正样本图像
neg： 用于存放负样本图像
opencv_creatsamples
opencv_traincascade
pos.txt、neg.txt： 用于存放正负样本图像路径（可不必手动创建，之后自动生成）

• 2）正负样本

  • 建议正样本和负样本的数量比例最好在1：2和1：3之间（为了尽可能地保证训练效果，当然不在这个比例之间也可训练），负样本图像中不要包含检测的目标并且要尽可能的多样化

  • 将正样本规格化为同一尺寸，并转灰度（最好是8的倍数，我这里用的是32×32，也可以56×56等等，但是不推荐正样本尺寸太大）

  • 负样本不需要规格化，但是要保证负样本的尺寸普遍大于正样本的尺寸，实在不放心可以把负样本给规格化了保证都大于正样本的尺寸

  • 归一化后正负样本示例
    
    

  附1：归一化文件名指令：

  i=1; for x in *; do mv $x $i.jpg; let i=i+1; done
  

  附2：归一化图像尺寸、灰度cv代码：

  #include
  #include
  #include
  
  using namespace std;
  using namespace cv;
  
  int main() {
     int imageNum = 29;
     string Path = "../../pos";
     Mat image_src, image_gray;
     for(int i = 1;i<=imageNum;i++){
     	string imagePath = cv::format("%s/%d.jpg",Path.c_str(),i);
     	cout<<imagePath<<endl;
     	image_src = cv::imread(imagePath);
  
     	cv::resize(image_src,image_src,cv::Size(32,32));
     	cvtColor(image_src, image_gray, CV_BGR2GRAY);
  
     	imshow("gray",image_gray);
     	imwrite(imagePath,image_gray);
     	cv::waitKey(30);
     }
     cout<<"Finish!"<<endl;
     return 0;
  }
  

---

4.训练

• 1）生成正样本描述文件

  • 生成正样本路径：

    ls pos/*.* > pos.txt
    

    
    
  • 替换描述信息：
    在pos.txt文本中ctrl+H将所有的jpg替换成jpg 1 0 0 32 32。 jpg后面的五个数字信息分别表示样本中目标个数、目标在图像中的起始位置x、y、样本的尺寸大小width、height。因为我的正样本只包含目标，所以样本的起始位置为0 0。
    

  

• 利用opencv_creatsamples生成描述文件.vec：

  ./opencv_createsamples -vec pos.vec -info pos.txt -num 29 -w 32 -h 32
  

  其中-info表示指定的描述文件，-vec指定输出的vec文件名，-w-h表示规定的样本尺寸，-num表示创建的样本数目。
  
  生成了pos.vec即说明成功：
  

• 2）生成负样本相对路径

  注意：与正样本不同，负样本需要的为相对路径，但不需额外信息

  ls ./neg/*.* > neg.txt
  

  

• 3）利用opencv_traincascade训练生成.xml

  sudo ./opencv_traincascade -data classifier -vec pos.vec -bg neg.txt -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -numPos 29 -numNeg 30 -w 92 -h 112 -mode ALL -precalcValBufSize 1024   -precalcIdxBufSize 1024 -featureType LBP
  

  

  • 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。

  • 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。

  • 其他人经验：（precalcValBufSize和precalcIdxBufSize这两个参数不知道是给整个训练过程分配的内存大小还是每个stage分配的内存大小，还有一些说法说这个是给每个样本分配的内存。。。我尝试设置为1024的时候报错内存不足，后来改成了256就可以了，但是设置得太小会导致训练的时间过长，建议多尝试几次尽量把这两个参数设置得大一点）

    训练完毕生成的cascade.xml：
    

5.检测代码（仅供参考）

#include
#include
#include
#include

#define IMAGE_NUM 136

using namespace std;
using namespace cv;
int main() {
	Mat image_src, image_gray, image_sample;
	static int sample_num = 1;
	for(int i = 1;i<=IMAGE_NUM;i++){
		string imagePath = cv::format("../src_data/%d.jpg",i);
		image_src = imread(imagePath);
		cout<<imagePath<<endl;
		cvtColor(image_src, image_gray, CV_BGR2GRAY);
		equalizeHist(image_gray, image_gray);	//直方图均衡化，增加对比度
		
		String face_cascade_name = "../cascade.xml";
		CascadeClassifier face_cascade, eyes_cascade;	//载入分类器
		if (!face_cascade.load(face_cascade_name)) {	//加载脸部分类器失败
			cout << "Load haarcascade_face.xml failed!" << endl;
			return 0;
		}

		vector<Rect> faceRect;
		face_cascade.detectMultiScale(image_gray, faceRect, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE, Size(30, 30));//检测

		for (size_t i = 0; i < faceRect.size(); i++){
			rectangle(image_src, faceRect[i], Scalar(0, 0, 255));      //用矩形画出检测到的位置
			image_sample = image_gray(faceRect[i]);
			string samplePath = cv::format("../data/%d.jpg",sample_num++);
			imwrite(samplePath,image_sample);	//保存样本
		}
		cv::imshow("src", image_src);         //显示当前帧
		string imagePath_save = cv::format("../data/image/%d.jpg",i);
		imwrite(imagePath_save,image_src);
		cv::waitKey(50);
	}
	cv::waitKey(0);
	return 0;
}