Python3+OpenCV学习笔记（五）：鸟类检测模型的训练

女爷i 2022-05-30 01:06 480阅读 0赞

最近各种事情耽搁，OpenCV的学习也没有进展。

因为项目需求，所以自己做了这样一个基于Haar特征级联分类器的鸟类检测模型，记录下来。

OpenCV官方文档中有一个Haar级联分类器做的人脸检测例程，自行参阅文档。

做一个鸟类检测模型首先需要训练出一个识别用的.xml文件，下面就开始进行训练。

**一、准备样本集**

样本集需要正样本集和负样本集。

**正样本集：**正样本集为包含“鸟类”的灰度图，一般大于等于2000张，尺寸不能太大（20\*40），尺寸太大会导致训练时间过长。

**负样本集：**负样本集为不含“鸟类”的任何图片，一般大于等于5000张，尺寸比正样本集稍大（60\*60）。

由于项目要求不高，所有的样本集都是我自己在网上找的图片，然后用python脚本对尺寸进行了调整，全部为灰度图。

![20180301124008336][]![20180301124017214][]

左边是正样本集（40\*40），右边是负样本集（100\*100）。PS：由于自己做的样本集数量不大，所有尺寸稍大

**二、准备文件夹**

将正负样本集分别放入pos和neg文件夹，存放在路径D:\\Anaconda\\pkgs\\opencv-3.3.0-py35\_200\\Library\\bin（PS：个人的安装环境不同，路径有差异）。

在该路径下新建xml文件夹。

![20180301124555032][]

**三、cmd打开dos命令窗口，进入pos路径下**

输入以下命令，创建pos.txt文件

dir/b >pos.txt

![20180301130258362][]

打开pos.txt，将jpg全部替换为jpg 1 0 0 40 40

删除最后一行路径pos.txt

保存

![20180301131741302][]

![20180301130542634][]

"1"为图片数量，“0,0”为坐标（Left，Top）,“40,40”为图片尺寸（width, height）。

同理，进入neg文件夹，输入以下命令生成neg.txt

dir/b >neg.txt

![20180301131200529][]

打开neg.txt，将图片名前面加入路径：

neg/

删除最后一行路径neg.txt

![20180301131741302][]![20180301131830480][]

**四、生成pos.vec**

dos窗口进入路径D:\\Anaconda\\pkgs\\opencv-3.3.0-py35\_200\\Library\\bin，及pos、neg、xml文件夹所在的路径，输入下列命令生成pos.vec文件。

opencv_createsamples.exe -info pos\pos.txt -vec pos.vec -bg neg\neg.txt -num 50 -w 40 -h 40

\-bg 作为背景

\-num 正样本数量

\-w 正样本宽度

\-h 正样本高度

生成成功后出现如下界面：

![20180301132931807][]

**五、开始训练**

接下来输入以下命令，开始进行训练

opencv_traincascade.exe -data xml -vec pos.vec -bg neg\neg.txt -numPos 50 -numNeg 100 -numStages 20 -featureType HAAR -w 40 -h 40

\-data 后面跟文件夹名

\-vec vec文件

\-bg 作为背景的文件

\-numPos 正样本数量

\-numNeg 负样本数量

\-numStages 级数

\-featureType 特征类型，可以跟HAAR、LBP、HOG

![20180301133711125][]

接下来就是等待训练结果的过程。

训练完成后会在xml文件夹中出现一个\*\*\*.xml文件，这就是我们需要的东西。检验过程类似人脸检测（官方教程中可以找到），只是将haarcascade\_frontalface\_default.xml换成了我们自己训练的\*\*\*.xml文件。

在上面这些过程中可能会遇到各种问题，各个论坛的大神都给出了解答，这里就不献丑了。

**补：**

昨天又将样本扩大进行了训练，识别正确率有了明显提升。不过训练过程中也遇到了更多细节问题，比如因为minhirateh（最小正确测试率）和maxfalsealarm（最大错误接受率）设置得不恰当，导致训练提前结束，还有根据HAAR特征、LBP特征、HOG特征各自的特性，似乎HOG更适合做此类检测。下面给出一个链接，可以参考：

[参考链接][Link 1]

[20180301124008336]: https://img-blog.csdn.net/20180301124008336
[20180301124017214]: /images/20220530/a7abe52a110a4524924e4d32cb1b25da.png
[20180301124555032]: /images/20220530/cfc0ed00bc30463fa3caedd062eee306.png
[20180301130258362]: /images/20220530/5e33a6ccc50f4428a9c004f75a2597bd.png
[20180301131741302]: /images/20220530/d04926303e78450fb13c12d5a86134c7.png
[20180301130542634]: /images/20220530/e6e82d55575f41a6a00107361cc70f20.png
[20180301131200529]: /images/20220530/08d3fc1bbb6d478687dea443968d644f.png
[20180301131830480]: /images/20220530/19687b838c4d46f68a10d08d441a56b3.png
[20180301132931807]: /images/20220530/5285eaf2aa46445890edca94a1d50256.png
[20180301133711125]: /images/20220530/3c3052d1b8494ab0982268e5a7587755.png
[Link 1]: http://www.computer-vision-software.com/blog/2009/11/faq-opencv-haartraining/