OpenCV - 训练分类器

关注

原创最新推荐文章于 2026-06-03 15:33:35 发布 1.2w 阅读 AI 写同款· GEO 优化 ›

OpenCV 级联分类器之样本处理、训练、测试 1、什么是级联分类器 此处不做详解，可以参考这个博客：https://www.cnblogs.com/wumh7/p/9403873.html 2、分类器样本创建样本创建是一个比较耗时耗资源的过程，但是前期做好一个优质的样本，对于后期的样本训练以及想获取到一个精度较高的分类器都是密切相关的。样本，又分为正样本和负样本。通常样本基数越大，肯定生成的分类器精度越高。如果检测的目标是一个固定物体，没有变化（如特定商标，logo等），这样的物体只要提供一份... 阅读详情

一．收集样本

正样本：待检目标样本

负样本：其它任意图片

PS.所有样本图片都应该有同一尺寸，如20 * 20

ACDSee软件：对图像批量处理为20x20大小的图片

1.把所有正样本图片放在posdata的文件夹下，把所有负样本图片放在negdata文件夹下

负样本数量应大于正样本数量，如(3:1)，否则在训练时会陷入死循环。。。

1.分别为正样本和负样本创建描述文件

(1)为正样本创建描述文件格式文件info.txt，并且把这个文件放在与样本图片同一目录下,D:\OpenCv\opencv\build\x64\

vc12\bin\posdata

a)在命令行下输入以下命令： dir/b > info.txt

b)删除info.txt最后一行的 “info.txt”

c)打开info.txt, 按ctrl+h, 把所有的”bmp” 换成

“bmp 1 0 0 20 20”

1代表一个文件 ||0 0顶点坐标 || 20 20右下顶点坐标

(2)为负样本创建集合文件格式文件bg.txt, 并且把这个文件放在与样本图片同一目录下

a)在命令行下输入以下命令： dir /b > bg.txt

b)删除bg.txt最后一行的 “bg.txt”

二．创建样本

Ps: createsamples程序的命令行参数

info<file>	正样本描述文件
vec <vec_file_name>	训练好的正样本的输出文件名
num<number_of_samples>	要产生的正样本的数量，和正样本图片数目相同
－w －h	样本的宽高

执行脚本后，将生成正样本描述文件a.vec

-------------------------------------------------------------

其他的一些参数：

－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。

--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。

结果：

二．训练级联分类器

Ps: 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）绝对路径
bg<background_file_name>	背景描述文件。绝对路径
npos<number_of_positive_samples>	用来训练每一个分类器阶段的正样本数量Ps:正样本的数目(-npos)要略大于实际数
nneg<number_of_negative_samples>	用来训练每一个分类器阶段的负样本数量
nstages<number_of_stages>	训练的阶段(层)数
nsplits<number_of_splits>	决定用于阶段分类器的弱分类器。如果值为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
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
mode all	表示使用haar特征集的各类既有垂直的，又有45度角旋转的
－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

其他的一些参数：
－sym（default）
－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。每一层训练到这  个值小于0.5时训练结束，进入下一层训练
－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。