使用Opencv opencv_traincascade來訓練自己想檢測的分類器

woff

到官網下載opencv
主要使用下圖兩個檔案opencv_createsamples 及 opencv_traincascade


1 、opencv裡的分類器大概介紹：
OpenCV中有兩個程式可以訓練級聯分類器： opencv_haartraining 及 opencv_traincascade。
opencv_traincascade 是一個新程式，使用OpenCV 2.x API 以C++ 編寫。這二者主要的區別是 opencv_traincascade 支援 Haar [Viola2001] 和 LBP [Liao2007] (Local Binary Patterns) 兩種特徵，現在已經發展到可以支援hog特徵，並易於增加其他的特徵。與Haar特徵相比，LBP特徵是整數特徵，因此訓練和檢測過程都會比Haar特徵快幾倍。LBP和Haar特徵用於檢測的準確率，是依賴訓練過程中的訓練資料的質量和訓練引數。訓練一個與基於Haar特徵同樣準確度的LBP的分類器是可能的。

2、分類器的樣本製作：

  其樣本點的製作主要是指正樣本的製作，因為其負樣本製作很簡單，只要把其圖片的相對路徑生成到檔案裡即可用於訓練，其如下：

1. import os
   
2. import numpy as np
   
3. 
   
4. pic_floder = 'neg1'
   
5. 
   
6. with open(pic_floder+'.txt', 'w') as f:
   
7.     for img in os.listdir(pic_floder):
   
8.         line = pic_floder+'/'+img+'\n'
   
9.         f.write(line)

複製代碼

注意：負樣本的圖片大小可以不用進行歸一化成統一大小，因為其在訓練的時候可以進行指定大小，訓練時會進行影象resize操作。

接著就是正樣本的生成，人為採集所有訓練樣本。其中正樣本的txt檔案格式如下,其中檔案路徑後面的格式是在指令生成替換得到的：

代碼:

1. import os
   
2. import cv2
   
3. import numpy as np
   
4. 
   
5. pic_floder = 'flounder'
   
6. # open floder
   
7. i = 0
   
8. with open(pic_floder+'.txt', 'w') as f:
   
9.     # search floder pic name
   
10.     for img in os.listdir(pic_floder):
    
11.         # get pic width and height
    
12.         img_hw = cv2.imread(pic_floder+"/"+img)
    
13.         sp = img_hw.shape
    
14.         gray_img = cv2.imread(pic_floder+'/'+img, cv2.IMREAD_GRAYSCALE)
    
15.         # 保存圖片
    
16.         cv2.imwrite(pic_floder+'_gray/'+img, gray_img)
    
17. #         print(sp)
    
18. #         sz1 = sp[0]#height(rows) of image
    
19. #         sz2 = sp[1]#width(colums) of image
    
20. #         sz3 = sp[2]#the pixels value is made up of three primary colors
    
21. #         print('width: %d \nheight: %d \nnumber: %d' %(sz1,sz2,sz3))
    
22. #            pic_floder, img_name,img_num,rectX,rectY,rectW,rectH
    
23.         line = pic_floder+'/'+img+'  1    0    0    '+str(sp[1])+'  '+str(sp[0])+'\n'
    
24.         f.write(line)
    
25.         i += 1
    
26. #計算圖片數量
    
27. print(i)

複製代碼

其指令如下：

1. opencv_createsamples -info positives.txt -vec positive.vec -num 1000 -bgcolor 0 -bgthresh 0 -w 50 -h 50

複製代碼

此時提供的是包含所有的正樣本路徑的txt檔案，其生成可以參考上面的方法。此時這裡設定的x、y、z三軸旋角等一些資料增城的引數是不會被採用的，其只有上面A單張樣本是才使用這些引數。其中的【-num】的只要小於或等於正樣本的指，否則會報錯。

注意：這是把所有目標都裁剪下來的處理方式，而且需要進行樣本歸一化。還有一種就是使用工具在整張圖片上進行正樣本標註，其可以使用ObjectMarker工具。具體過程參考部落格：基於級聯分類器的多目標檢測

3、級聯分類器的訓練：

但樣本都準備好後，其訓練指令為：

1. mkdir data
   
2. opencv_traincascade -data data -vec positive.vec -bg neg1.txt -numPos 1000 -numNeg 500 -numStages 20 -w 50 -h 50

複製代碼

通用引數：

-data <cascade_dir_name>
目錄名，如不存在訓練程式會建立它，用於存放訓練好的分類器。
-vec <vec_file_name>
包含正樣本的vec檔名（由 opencv_createsamples 程式生成）。
-bg <background_file_name>
背景描述檔案，也就是包含負樣本檔名的那個描述檔案。
-numPos <number_of_positive_samples>
每級分類器訓練時所用的正樣本數目。其指設定為正樣本數量的85%（這是一個保守值）。具體的也要根據級聯器的層數來決定的。因為每個stages都是會增加圖片數量來進行分類。
-numNeg <number_of_negative_samples>
每級分類器訓練時所用的負樣本數目，可以大於 -bg 指定的圖片數目。
-numStages <number_of_stages>
訓練的分類器的級數。
-precalcValBufSize <precalculated_vals_buffer_size_in_Mb>
快取大小，用於儲存預先計算的特徵值(feature values)，單位為MB。
-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>
快取大小，用於儲存預先計算的特徵索引(feature indices)，單位為MB。記憶體越大，訓練時間越短。
-baseFormatSave
這個引數僅在使用Haar特徵時有效。如果指定這個引數，那麼級聯分類器將以老的格式儲存。
級聯引數：
-stageType <BOOST(default)>
級別（stage）引數。目前只支援將BOOST分類器作為級別的型別。
-featureType<{HAAR(default), LBP}>
特徵的型別： HAAR - 類Haar特徵； LBP - 區域性紋理模式特徵。
-w <sampleWidth>
-h <sampleHeight>
訓練樣本的尺寸（單位為畫素）。必須跟訓練樣本建立（使用 opencv_createsamples 程式建立）時的尺寸保持一致。
Boosted分類器引數：
-bt <{DAB, RAB, LB, GAB(default)}>
Boosted分類器的型別： DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost。
-minHitRate <min_hit_rate>
分類器的每一級希望得到的最小檢測率。總的檢測率大約為 min_hit_rate^number_of_stages。總檢測率即為整個級聯器的檢測召回率，
-maxFalseAlarmRate <max_false_alarm_rate>
分類器的每一級希望得到的最大誤檢率。總的誤檢率大約為 max_false_alarm_rate^number_of_stages. 為整個級聯器的誤檢率
-weightTrimRate <weight_trim_rate>
Specifies whether trimming should be used and its weight. 一個還不錯的數值是0.95。
-maxDepth <max_depth_of_weak_tree>
弱分類器樹最大的深度。一個還不錯的數值是1，是二叉樹（stumps）。
-maxWeakCount <max_weak_tree_count>
每一級中的弱分類器的最大數目。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate.
類Haar特徵引數：
-mode <BASIC (default) | CORE | ALL>
選擇訓練過程中使用的Haar特徵的型別。 BASIC 只使用右上特徵， ALL 使用所有右上特徵和45度旋轉特徵。

此時訓練的結果圖：

注意：由於是20stages，所以訓練時間要三四個鍾，其中採用LBP特徵會比Haar特徵快十幾倍的訓練速度。還有如果想把檢測準確度提高很高，則需要大量的樣本和好的影象質量。

4、中斷後，如果不行在繼續訓練，如何通過先前的中間檔案來生產分類器檔案cascade.xml？

  方法：此時需要修改訓練指令的【-numStages】將其設定成已有的states的層數，則其則會生成上面的檢測檔案xml。其如下：

至此已經訓練完成，並得到cascade.xml檢測檔案

參考文章

網頁設計,網站架設 ,網路行銷,網頁優化,SEO - NetYea 網頁設計