opencv 分类器的训练（生成.xml, CascadeClassifier）

检测的物体是否为绝对刚性的物体，也就是检测的目标是一个固定物体，没有变化（如特定公司的商标），这样的物体只要提供一份样本就可以进行训练。但绝大数时候我们想进行训练的目标是非绝对刚性的物体，如对人的检测，包括人脸识别、手势识别。

分类器的训练以分为以下三部进行：

1、 样本的创建(正样本和负样本)
2、 训练分类器（生成.xml）
3、 利用训练好的分类器进行目标检测

正样本：所谓正样本就是只包含检测目标的图片

               1、要求尺寸必须相同，例如40x30

               2、进行灰度处理

负样本：不包含检测目标的任何图片（背景图片）               

             1.不要求样本尺寸，但要大于等于正样本的大小；且负样本不能重复，要增大负样本的差异性。

              2.负样本灰度化，同正样本操作相同。

制作正样本：

           1、收集数据（截图或拍照等）进行处理：

            2、 将所有图像调整成一致大小，我用的“美图看看”这款软件，批量处理的，我处理的统一尺寸是40x30

           3、进行灰度处理

#include "stdafx.h"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
#include <stdio.h>using namespace cv;
using namespace std;int main()
{char buffer[50];char buffer1[50];int i = 0;for (i = 1; i <= 100; i++){sprintf_s(buffer, "C:\\Users\\Administrator\\Desktop\\xml\\ww\\%d.png", i);sprintf_s(buffer1, "C:\\Users\\Administrator\\Desktop\\xml\\pos\\%d.png", i);Mat src = imread(buffer, IMREAD_COLOR);if (src.empty()){return -1;}cvtColor(src, src, COLOR_BGR2GRAY);equalizeHist(src, src);imwrite(buffer1, src);}return 0;
}

4、这样正样本就处理好了，接下来要生成posdata.dat文件

将opencv安装目录的D:\Program Files\opencv\build\x64\vc15\bin\opencv_createsamples.exe和opencv_traincascade.exe复制到需要进行图像处理的目录下（也可不复制，操作时加上目录）

制作dos命令操作文件dat_cmd.bat:输入dir /b > posdata.dat（表示将当前文件写入posdata.dat）

双击执行dat_cmd.bat生成posdata.dat，打开posdata.dat，删除不需要文件

在对文件进行处理，使其含有图片信息，格式为：图片路径     检测目标在图片中的个数     起始监测点坐标（x，y）        图片大小（w，h）

5、生成训练.vec文件

执行生成pos.vec

参数说明

命令行参数：

• -vec <vec_file_name>

  输出文件，内含用于训练的正样本。

• -img <image_file_name>

  输入图像文件名（例如一个公司的标志）。

• -bg <background_file_name>

  背景图像的描述文件，文件中包含一系列的图像文件名，这些图像将被随机选作物体的背景。

• -num <number_of_samples>

  生成的正样本的数目。

• -bgcolor <background_color>

  背景颜色（目前为灰度图）；背景颜色表示透明颜色。因为图像压缩可造成颜色偏差，颜色的容差可以由 -bgthresh 指定。所有处于 bgcolor-bgthresh 和 bgcolor+bgthresh 之间的像素都被设置为透明像素。

• -bgthresh <background_color_threshold>

• -inv

  如果指定该标志，前景图像的颜色将翻转。

• -randinv

  如果指定该标志，颜色将随机地翻转。

• -maxidev <max_intensity_deviation>

  前景样本里像素的亮度梯度的最大值。

• -maxxangle <max_x_rotation_angle>

  X轴最大旋转角度，必须以弧度为单位。

• -maxyangle <max_y_rotation_angle>

  Y轴最大旋转角度，必须以弧度为单位。

• -maxzangle <max_z_rotation_angle>

  Z轴最大旋转角度，必须以弧度为单位。

• -show

  很有用的调试选项。如果指定该选项，每个样本都将被显示。如果按下 Esc 键，程序将继续创建样本但不再显示。

• -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）。

6、处理负样本：对负样本只需得到.dat文件（同正样本处理）

二、训练级联分类器

1、将生成的的负样本negdata.dat复制到和opencv_traincascade.exe同目录下（也可以吧正样本的pos.vec复制到此目录下）

并且制作训练命令train.bat

opencv_traincascade.exe -data cascade -vec pos.vec -bg negdata.dat -numPos 41 -numNeg 100 -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.4 -featureType HAAR -w 40 -h 20

注：pause是为了查看cmd执行

参数说明：

1. 通用参数：

   • -data <cascade_dir_name>

     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 <vec_file_name>

     包含正样本的vec文件名（由 opencv_createsamples 程序生成）。

   • -bg <background_file_name>

     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 <number_of_positive_samples>

     每级分类器训练时所用的正样本数目。

   • -numNeg <number_of_negative_samples>

     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 <number_of_stages>

     训练的分类器的级数。

   • -precalcValBufSize <precalculated_vals_buffer_size_in_Mb>

     缓存大小，用于存储预先计算的特征值(feature values)，单位为MB。

   • -precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>

     缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB。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。

2. 级联参数：

   • -stageType <BOOST(default)>

     级别（stage）参数。目前只支持将BOOST分类器作为级别的类型。

   • -featureType<{HAAR(default), LBP}>

     特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征。

   • -w <sampleWidth>

   • -h <sampleHeight>

     训练样本的尺寸（单位为像素）。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。

3. Boosted分类器参数：

   • -bt <{DAB, RAB, LB, GAB(default)}>

     Boosted分类器的类型： DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost。

   • -minHitRate <min_hit_rate>

     分类器的每一级希望得到的最小检测率。总的检测率大约为 min_hit_rate^number_of_stages。

   • -maxFalseAlarmRate <max_false_alarm_rate>

     分类器的每一级希望得到的最大误检率。总的误检率大约为 max_false_alarm_rate^number_of_stages.

   • -weightTrimRate <weight_trim_rate>

     Specifies whether trimming should be used and its weight. 一个还不错的数值是0.95。

   • -maxDepth <max_depth_of_weak_tree>

     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 <max_weak_tree_count>

     每一级中的弱分类器的最大数目。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate.

4. 类Haar特征参数：

   • -mode <BASIC (default) | CORE | ALL>

     选择训练过程中使用的Haar特征的类型。 BASIC 只使用右上特征， ALL 使用所有右上特征和45度旋转特征。更多细节请参考 [Rainer2002] 。

5. LBP特征参数：

   LBP特征无参数。

当 opencv_traincascade 程序训练结束以后，训练好的级联分类器将存储于文件cascade.xml中，这个文件位于 -data 指定的目录中。这个目录中的其他文件是训练的中间结果，当训练程序被中断后，再重新运行训练程序将读入之前的训练结果，而不需从头重新训练。训练结束后，你可以删除这些中间文件。

训练结束后，你就可以测试你训练好的级联分类器了！

三、训练器的测试

参考CascadeClassifier级联分类器的使用https://blog.csdn.net/WangHuiShou/article/details/81201698

四、考 训练分类器所遇到的问题

1、

-bg 参数不能直接跟目录，因为neg目录下手下读取的不是negdata.dat文件，导致失败

2、问题：traincascade's error (Required leaf false alarm rate achieved. Branch training terminated.)

解析：虚警率已经达标 不再继续训练 ，这里不能说是一个错误，只能说制作出来的xml文件可能较差

解决办法：先测试一下生成的cascade.xml，如果效果没有达到你的预期，有以下几个解决方案：
1：maxfalsealarm值应该设定到0.4 - 0.5之间
2：正负样本数太少，增大样本数

四、参考网站

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html#id6