[opencv][转载]opencv级联分类器参数含义介绍

╰+哭是因爲堅強的太久メ 2022-09-15 15:59 248阅读 0赞

## 介绍 ##

*  OpenCV提供了两个程序可以训练自己的级联分类器：
 *  opencv\_haartraining。
 *  opencv\_traincascade。（新版本的opencv中只存在该分类器）
 *  opencv\_traincascade是一个新程序，使用OpenCV 2.x API 以C++编写。
 *  这二者主要的区别是opencv\_traincascade支持 Haar和 LBP (Local Binary Patterns)两种特征，并易于增加其他的特征。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。

注：Haar： Haar特征分类器就是一个XML文件，存放在OpenCV安装目录中的\\data\\ haarcascades目录下；LBP是本地二进制模型

*  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`。
 *  训练一个与基于`Haar`特征同样准确度的`LBP`的分类器是可能的。
 *  与其他分类器模型的训练方法类似，同样需要训练数据与测试数据；其中训练数据包含正样本pos与负样本neg。
 *  训练程序opencv\_haartraining.exe与opencv\_traincascade.exe对输入的数据格式是有要求的，所以需要相关的辅助程序：
    
     *  opencv\_createsamples 用来准备训练用的正样本数据和测试数据。其能够生成能被opencv\_haartraining 和 opencv\_traincascade 程序支持的正样本数据。它的输出为以 \*.vec 为扩展名的文件，该文件以二进制方式存储图像。

## 实战演练 ##

opencv级联分类器训练与测试可分为以下四个步骤：

*  1、准备训练数据
 *  2、训练级联分类器
 *  3、测试分类器性能
 *  4、使用训练好的分类器进行目标检测

### 操作步骤 ###

1、准备正样本

*  正样本由opencv\_createsamples生成。正样本可以由包含待检测物体的一张图片生成，也可由一系列标记好的图像生成。

*  1、首先提前准备好已经处理过得正样本图片（可根据实际情况进行图片去噪声等处理，提高精度）
 *  2、生成pos.dat文件，文件格式如下

<table> 
 <thead> 
  <tr> 
   <th>第一列</th> 
   <th>第二列</th> 
   <th>第三列</th> 
   <th>第四列</th> 
   <th>第五列</th> 
   <th>第六列</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>图片名</td> 
   <td>图片中包含的<br> 物体实例数</td> 
   <td>目标区域x值</td> 
   <td>目标区域y值</td> 
   <td>图片宽</td> 
   <td>图片高</td> 
  </tr> 
  <tr> 
   <td>xxx.png</td> 
   <td>1</td> 
   <td>0</td> 
   <td>0</td> 
   <td>16</td> 
   <td>16</td> 
  </tr> 
 </tbody> 
</table>

注：图片名为相对路径,后面五列根据实际情况填写。可通过脚本代码读取文件生成该文件，（我已写好一份，需要可给我留言）

pos.dat文件的生成方式： 在dos窗口进入pos文件夹，输入dir /b > pos.dat ; 这样只能生成文件名列表，后面的正样本个数与位置尺寸还需手动添加

*  3、调用`opencv_createsamples.exe`程序根据`pos.dat`创建`pos.vec`文件.
    
        opencv_createsamples.exe -info pos.dat -vec pos.vec -num 2327 -w 19 -h 23

opencv\_createsamples.exe程序的命令行参数解析:

<table> 
 <thead> 
  <tr> 
   <th>参数名</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>-info &lt; collection_file_name &gt;</td> 
   <td>描述物体所在图像以及大小位置的描述文件。</td> 
  </tr> 
  <tr> 
   <td>-vec &lt; vec_file_name&gt;</td> 
   <td>输出文件，内含用于训练的正样本。</td> 
  </tr> 
  <tr> 
   <td>-img &lt; image_file_name&gt;</td> 
   <td>输入图像文件名（例如一个公司的标志）。</td> 
  </tr> 
  <tr> 
   <td>-bg&lt; background_file_name&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>-num&lt; number_of_samples&gt;</td> 
   <td>生成的正样本的数目。</td> 
  </tr> 
  <tr> 
   <td>-bgcolor &lt; background_color&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>-bgthresh &lt; background_color_threshold&gt;</td> 
   <td>配合bgcolor使用</td> 
  </tr> 
  <tr> 
   <td>-inv</td> 
   <td>如果指定该标志，前景图像的颜色将翻转。</td> 
  </tr> 
  <tr> 
   <td>-randinv</td> 
   <td>如果指定该标志，颜色将随机地翻转。</td> 
  </tr> 
  <tr> 
   <td>-maxidev &lt; max_intensity_deviation&gt;</td> 
   <td>前景样本里像素的亮度梯度的最大值。</td> 
  </tr> 
  <tr> 
   <td>-maxxangle &lt; max_x_rotation_angle&gt;</td> 
   <td>X轴最大旋转角度，必须以弧度为单位。</td> 
  </tr> 
  <tr> 
   <td>-maxyangle &lt; max_y_rotation_angle&gt;</td> 
   <td>Y轴最大旋转角度，必须以弧度为单位。</td> 
  </tr> 
  <tr> 
   <td>-maxzangle&lt; max_z_rotation_angle&gt;</td> 
   <td>Z轴最大旋转角度，必须以弧度为单位。</td> 
  </tr> 
  <tr> 
   <td>-show</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>-w &lt; sample_width&gt;</td> 
   <td>输出样本的宽度（以像素为单位）。</td> 
  </tr> 
  <tr> 
   <td>-h&lt; sample_height&gt;</td> 
   <td>输出样本的高度（以像素为单位）。</td> 
  </tr> 
 </tbody> 
</table>

2、准备负样本

*  负样本可以是任意图像，但是这些图像中`不能包含待检测的物体`。
 *  用于抠取负样本的图像文件名被列在一个neg.dat文件中。
 *  生成方式与正样本相同，但仅仅包含文件名列表就可以了。
 *  每行是一个文件名（包括相对目录和文件名）这些图像可以是不同的尺寸，但是图像尺寸应该比训练窗口的尺寸大，因为这些图像将被用于抠取负样本，并将负样本缩小到训练窗口大小。

文件格式

*  同样，通过脚本生成neg.dat文件

3、训练级联分类器

*  OpenCV提供了两个可以训练的级联分类器的程序：
    
     *  opencv\_haartraining
     *  opencv\_traincascade
 *  opencv\_haartraining是一个将被弃用的程序；opencv\_traincascade是一个新程序。

调用opencv\_traincascade.exe执行训练

opencv\_traincascade.exe -data "E:\\learning\\imagedata\\pukepai\\data" -vec "E:\\learning\\imagedata\\pukepai\\pos\\pos.vec" -bg "E:\\learning\\imagedata\\pukepai\\neg\\neg.dat" -numPos 1500 -numNeg 1500 -numStages 20 -mem 2048 -featureType LBP -w 19 -h 23

opencv\_createsamples.exe程序的命令行参数解析:

<table> 
 <thead> 
  <tr> 
   <th>参数名</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><code>通用参数</code></td> 
  </tr> 
  <tr> 
   <td>-data &lt; cascade_dir_name&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>-vec &lt; vec_file_name&gt;</td> 
   <td>包含正样本的vec文件名（由opencv_createsamples程序生成）。</td> 
  </tr> 
  <tr> 
   <td>-bg &lt; background_file_name&gt;</td> 
   <td>背景描述文件，也就是包含负样本文件名的那个描述文件。</td> 
  </tr> 
  <tr> 
   <td>-numPos &lt; number_of_positive_samples&gt;</td> 
   <td>每级分类器训练时所用的正样本数目。</td> 
  </tr> 
  <tr> 
   <td>-numNeg &lt; number_of_negative_samples&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>-numStages &lt; number_of_stages&gt;</td> 
   <td>训练的分类器的级数。</td> 
  </tr> 
  <tr> 
   <td>-precalcValBufSize&lt; precalculated_vals_buffer_size_in_Mb&gt;</td> 
   <td>缓存大小，用于存储预先计算的特征值(feature values)，单位为MB。</td> 
  </tr> 
  <tr> 
   <td>-precalcIdxBufSize&lt; precalculated_idxs_buffer_size_in_Mb&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>-baseFormatSave</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td><code>级联参数</code></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-stageType &lt; BOOST(default)&gt;</td> 
   <td>级别（stage）参数。目前只支持将BOOST分类器作为级别的类型。</td> 
  </tr> 
  <tr> 
   <td>-featureType&lt;{HAAR(default), LBP}&gt;</td> 
   <td>特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征。</td> 
  </tr> 
  <tr> 
   <td>-w &lt; sampleWidth&gt;</td> 
   <td>训练样本的宽度（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。</td> 
  </tr> 
  <tr> 
   <td>-h &lt; sampleHeight&gt;</td> 
   <td>训练样本的高度（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。</td> 
  </tr> 
  <tr> 
   <td><code>Boosted分类器参数:</code></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-bt &lt; {DAB, RAB, LB,GAB(default)}&gt;</td> 
   <td><br> DAB - DiscreteAdaBoost,<br> RAB - Real AdaBoost,<br> LB - LogitBoost,<br> GAB -Gentle AdaBoost</td> 
  </tr> 
  <tr> 
   <td><code>Boosted分类器的类型：</code></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-minHitRate&lt; min_hit_rate&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>-maxFalseAlarmRate &lt; max_false_alarm_rate&gt;</td> 
   <td>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.</td> 
  </tr> 
  <tr> 
   <td>-weightTrimRate &lt; weight_trim_rate&gt;</td> 
   <td>Specifies whether trimmingshould be used and its weight.一个还不错的数值是0.95。</td> 
  </tr> 
  <tr> 
   <td>-maxDepth &lt; max_depth_of_weak_tree&gt;</td> 
   <td>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）。</td> 
  </tr> 
  <tr> 
   <td>-maxWeakCount&lt; max_weak_tree_count&gt;</td> 
   <td>每一级中的弱分类器的最大数目。The boostedclassifier (stage) will have so many weak trees (&lt;=maxWeakCount), as neededto achieve the given -maxFalseAlarmRate</td> 
  </tr> 
  <tr> 
   <td><code>类Haar特征参数：</code></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-mode &lt; BASIC (default)</td> 
   <td>CORE</td> 
   <td>ALL&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td><code>LBP特征参数：</code></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>LBP特征无参数。</td> 
   <td></td> 
  </tr> 
 </tbody> 
</table>

### 4、测试分类器性能 ###

*  opencv\_performance 可以用来评估分类器的质量，但只能评估 opencv\_haartraining 输出的分类器。它读入一组标注好的图像，运行分类器并报告性能，如检测到物体的数目，漏检的数目，误检的数目，以及其他信息。同样准备测试数据集test，生成图像列表文件，格式与训练者正样本图像列表相同，需要标注目标文件的个数与位置。

opencv\_performance 的命令行参数解析：

<table> 
 <thead> 
  <tr> 
   <th>参数名</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>-data &lt; classifier_directory_name&gt;</td> 
   <td>训练好的分类器</td> 
  </tr> 
  <tr> 
   <td>-info &lt; collection_file_name&gt;</td> 
   <td>描述物体所在图像以及大小位置的描述文件</td> 
  </tr> 
  <tr> 
   <td>-maxSizeDiff &lt; max_size_difference =1.500000&gt;</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-maxPosDiff &lt; max_position_difference =0.300000&gt;</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-sf &lt; scale_factor = 1.200000&gt;</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-ni</td> 
   <td>选项抑制创建的图像文件的检测</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-nos &lt; number_of_stages = -1&gt;</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-rs &lt; roc_size = 40&gt;]</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>-w &lt; sample_width = 24&gt;</td> 
  </tr> 
  <tr> 
   <td>-h &lt; sample_height = 24&gt;</td> 
  </tr> 
 </tbody> 
</table>

附opencv\_haartraining 的命令行参数如下：

<table> 
 <thead> 
  <tr> 
   <th>参数名</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>－data&lt; dir_name&gt;</td> 
   <td>存放训练好的分类器的路径名。</td> 
  </tr> 
  <tr> 
   <td>－vec&lt; vec_file_name&gt;</td> 
   <td>正样本文件名（由trainingssamples程序或者由其他的方法创建的）</td> 
  </tr> 
  <tr> 
   <td>－bg&lt; background_file_name&gt;</td> 
   <td>背景描述文件。</td> 
  </tr> 
  <tr> 
   <td>－npos&lt; number_of_positive_samples&gt;，</td> 
  </tr> 
  <tr> 
   <td>－nneg&lt; number_of_negative_samples&gt;</td> 
   <td>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</td> 
  </tr> 
  <tr> 
   <td>－nstages&lt; number_of_stages&gt;</td> 
   <td>训练的阶段数。</td> 
  </tr> 
  <tr> 
   <td>－nsplits&lt; number_of_splits&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>－mem&lt; memory_in_MB&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>－sym（default）</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>－nonsym</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>－minhitrate &lt; min_hit_rate&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>－maxfalsealarm&lt; max_false_alarm_rate&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>－weighttrimming&lt; weight_trimming&gt;</td> 
   <td>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</td> 
  </tr> 
  <tr> 
   <td>－eqw</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>－mode&lt; basic(default)</td> 
   <td>core</td> 
   <td>all&gt;</td> 
   <td>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。</td> 
  </tr> 
  <tr> 
   <td>－w &lt; sample_width&gt;</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>－h&lt; sample_height&gt;</td> 
   <td>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。</td> 
  </tr> 
 </tbody> 
</table>

原作者链接：https://www.jianshu.com/p/9c73527f329b