OpenCV训练分类器制作xml文档
OpenCV训练分类器制作xml文档
(2011-08-25 15:50:06)
转载▼
标签： 杂谈 |
分类： 学习 |
我的问题：有了opencv自带的那些xml人脸检测文档，我们就可以用cvLoad（）这个函数加载他们，让他们对我们的人脸进行检测，但是，现在生活中的计算机视觉并不远远是检测人脸，还有很多物品需要识别，所以，能不能自己做个xml的检测文档，用它来检测自己需要的东西呢？例如，检测一个可乐瓶！
问题解决：
首先了解下，目标检测分为三个步骤：
1、 样本的创建
2、 训练分类器
3、 利用训练好的分类器进行目标检测。
一，样本的创建：
训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本(例如可乐瓶，人脸等)，反例样本指其它任意图片。
1.正样本
现在，我们来看正样本的创建步骤：
正样本由程序createsample 程序来创建。该程序的源代码由OpenCV 给出，并且在bin 目录下包含了这个可执行的程序。例如你opencv安装目录为 c:\ 既C:\OpenCV\bin，你找找就有
正样本可以由单个的目标图片或者一系列的事先标记好的图片来创建！
问题解决：
首先了解下，目标检测分为三个步骤：
1、 样本的创建
2、 训练分类器
3、 利用训练好的分类器进行目标检测。
一，样本的创建：
训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本(例如可乐瓶，人脸等)，反例样本指其它任意图片。
1.正样本
现在，我们来看正样本的创建步骤：
正样本由程序createsample 程序来创建。该程序的源代码由OpenCV 给出，并且在bin 目录下包含了这个可执行的程序。例如你opencv安装目录为 c:\ 既C:\OpenCV\bin，你找找就有
正样本可以由单个的目标图片或者一系列的事先标记好的图片来创建！
2在用createsamples.exe 这个程序前，先来了解下这个程序的一些命令组合模式
Createsamples 程序的命令行参数：
命令行参数：
－vec <vec_file_name>
训练好的正样本的输出文件名。
－img<image_file_name>
源目标图片（例如：一个公司图标）
－bg<background_file_name>
背景描述文件。
－num<number_of_samples>
要产生的正样本的数量，和正样本图片数目相同。
－bgcolor<background_color>
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<background_color_threshold>
－inv
如果指定，颜色会反色
－randinv
如果指定，颜色会任意反色
－maxidev<max_intensity_deviation>
背景色最大的偏离度。
－maxangel<max_x_rotation_angle>
－maxangle<max_y_rotation_angle>，
－maxzangle<max_x_rotation_angle>
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<sample_width>
输出样本的宽度（以像素为单位）
－h《sample_height》
输出样本的高度，以像素为单位。
注：正样本也可以从一个预先标记好的图像集合中获取。这个集合由一个文本文件来描述。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）。
由于 HaarTraining 训练时输入的正样本是 vec 文件，所以需要使用 OpenCV 自带的
CreateSamples程序将准备好的正样本转换为 vec文件 。转换的步骤如下：
1) 制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径） ，
正样本数目以及各正样本在图片中的位置和大小。典型的正样本描述文件如下：
face_100/face00001.bmp 1 0 0 20 20
face_100/face00002.bmp 1 0 0 20 20
face_100/face00003.bmp 1 0 0 20 20
…
可采用 Dos命令结合 EditPlus 软件生成样本描述文件 。
具体方法是在 Dos下的恰当
目录敲入
dir face_100 /b > samples.dat，
则会生成一个 samples.dat，里面包含所有正
样本文件名列表，但没有相对路径名和正样本位置信息。在 samples.dat 文件各行行
首增加“face _100/”的方法是
使用 EditPlus，先选中所有行，
然后按 Tab键为每行
增加一个制表位，
然后将制表位全部替换为“face _100/”即可。
通过将“bmp”替
换为“bmp 1 0 0 20 20”即可在每行添加“1 0 0 20 20”。
运行CreateSamples程序。下面是一个运行参数示例：
opencv_createsamples.exe -vec pos.vec -info pos.dat -num 200 -w 32 -h 32
opencv_createsamples.exe -vec pos.vec -info pos.dat -num 200 -w 32 -h 32
表示有 200 个样本，样本宽 32，高 32，正样本描述文件为 pos.dat，结果输出
到 pos.vec。
到 pos.vec。
运行完了会生成一个pos.vec 的文件。该文件包含正样本数目，宽高以及所有样本图.
2 负样本图像可以是不含有正样本模式的任何图像，比如一些风景照等。训练时， OpenCV
需要一个负样本描述文件，该文件只需包含所有负样本的文件名及绝对（或相对）路径名。
以下是一个负样本描述文件内容示例：
nonface_200/00001.bmp
nonface_200/00002.bmp
nonface_200/00003.bmp
…
负样本描述文件的生成方法可参照正样本描述文件生成方法。
负样本图像的大小只要不小于正样本就可以，在使用负样本时，OpenCV 自动从负样本
图像中抠出一块和正样本同样大小的区域作为负样本，具体可查看函数
icvGetNextFromBackgroundData（） 。具体抠图过程为：
1) 确定抠图区域的左上角坐标(Point.x, Point.y)
2) 确定一个最小缩放比例，使得原负样本图像缩放后恰好包含选中负样本区域
3) 对原负样本图象按计算好的缩放比例进行缩放
4) 在缩放后的图像上抠出负样本，如图 3.2 左半部分的虚线框所示。
需要一个负样本描述文件，该文件只需包含所有负样本的文件名及绝对（或相对）路径名。
以下是一个负样本描述文件内容示例：
nonface_200/00001.bmp
nonface_200/00002.bmp
nonface_200/00003.bmp
…
负样本描述文件的生成方法可参照正样本描述文件生成方法。
负样本图像的大小只要不小于正样本就可以，在使用负样本时，OpenCV 自动从负样本
图像中抠出一块和正样本同样大小的区域作为负样本，具体可查看函数
icvGetNextFromBackgroundData（） 。具体抠图过程为：
1) 确定抠图区域的左上角坐标(Point.x, Point.y)
2) 确定一个最小缩放比例，使得原负样本图像缩放后恰好包含选中负样本区域
3) 对原负样本图象按计算好的缩放比例进行缩放
4) 在缩放后的图像上抠出负样本，如图 3.2 左半部分的虚线框所示。
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。
Haartraining 的命令行参数如下：
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。
Haartraining 的命令行参数如下：
－data<dir_name>
存放训练好的分类器的路径名。
－vec<vec_file_name>
正样本文件名（由trainingssamples 程序或者由其他的方法创建的）
－bg<background_file_name>
背景描述文件。
－npos<number_of_positive_samples>，
－nneg<number_of_negative_samples>
用来训练每一个分类器阶段的正/负样本。合理的值是：nPos = 7000;nNeg = 3000
－nstages<number_of_stages>
训练的阶段数。
－nsplits<number_of_splits>
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。
－mem<memory_in_MB>
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《min_hit_rate》
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<max_false_alarm_rate>
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<weight_trimming>
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<basic(default)|core|all>
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。
－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《min_hit_rate》
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<max_false_alarm_rate>
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<weight_trimming>
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<basic(default)|core|all>
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《sample_width》
－h《sample_height》
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
然后，同样在dos命令行输入harr这个函数的命令
具体如图：
然后，按回车，会出现“成果”界面
如果出现：
训练停留在一个分类器长达几小时没有相应，问题出现在取负样本的那个函数 icvGetHaarTrainingDataFromBG中（另见我的博客 http://blog.sina.com.cn/s/blog_75e063c10100za53.html
中对于
icvGetHaarTrainingDataFromBG
的分析
）;
只有当之前的强分类器对负样本集内的样本全部分类正确时才会出现死循环，因为只要有一个样本会被错分为正样本，那么通过count次扫描整个负样本集就能得到count个负样本，当然这count个负样本实际上就是一个负样本的count个拷贝。为避免这种情况，负样本集中的样本数需要足够多 。
不过此时的分类器已经完全额、可以使用，因为它的误检率已经很低，从实用性上时没有任何问题的。所以我们可以通过设置-nstages 这个参数来限制分类器级数，适当时候停止并生成xml文件。
附：需要样例人脸和非人脸的，可以上csdn上下载。地址： http://download.csdn.net/detail/rxm24217/4221235
到目前为止，你自己需要的分类器的xml文档就生成了，你自个找下当前那个目录，会发现，多了几个文件夹，请看图：
到目前为止，就告一段落了！
（这里就只有几个图片，所以，很快训练完，不过，要想训练出检测率高的xml，图片的张数的很多，那时候，会训练几个小时到1天，时间几天的时间，那时候，你只求你的电脑不要断电！）
到目前为止，就告一段落了！
（这里就只有几个图片，所以，很快训练完，不过，要想训练出检测率高的xml，图片的张数的很多，那时候，会训练几个小时到1天，时间几天的时间，那时候，你只求你的电脑不要断电！）
那么我该用什么办法检验我训练出的分类器的各项性能呢?
回答：要用opencv_performance.exe
先得到test sample:
用命令： opencv_createsamples.exe -info test1.dat -img face7.jpg -bg C:/TDDOWNLOAD/car_pic/bg.txt -num 35
-info 后面是生成的dat 文件，
-img 是人脸图片
-bg 背景图片
-num 生成的sample数量
测试命令：
opencv_performance.exe -data haarcascade_frontalface_alt2.xml -info test1.dat -ni
-data 参数接要测试的xml文档
-info 是生成的sample