NDK46_OpenCv训练正样本

最新推荐文章于 2021-02-09 00:23:11 发布

鱼包子Ray

最新推荐文章于 2021-02-09 00:23:11 发布

阅读量434

点赞数

CC 4.0 BY-SA版权

分类专栏： NDK 文章标签： NDK OpenCv 面部识别 OpenCv样本训练正样本

本文链接：https://blog.youkuaiyun.com/baopengjian/article/details/109722792

NDK 专栏收录该内容

93 篇文章

订阅专栏

NDK开发汇总

文章目录

级联分类器

执行训练的时候会输出一系列的参数，其中可以看到：【stageType: BOOST】。boosting算法涉及到弱分类器和强分类器的概念。弱分类器分类正确率较低，但是较容易获得，强分类器分类正确率较高，但是较难获得。只要样本充足，弱学习可以通过一定的组合获得任意精度的强学习。级联分类器就是 N个弱分类器以级联的方式，从简单到复杂逐步串联而成。

可以用决策树来构建一个简单的弱分类器，将提取到的特征与分类器的特征进行逐个比较，从而判断该特征是否属于人脸：

[外链

而强分类器相当于先让各个弱分类器进行投票，然后让投票结果根据各弱分类器的错误率进行加权相加，最后与平均的投票结果进行比较得到最终结果。

训练样本

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

正样本：包含人脸的图片,灰度图。
正样本大小：统一大小并且不能小于负样本
负样本：不包含人脸的图片
负样本大小：无所谓

正、负样本个数比列大约为 1： 3

制作正样本

正样本目录为：info
在 info 目录下执行 : dir/b >info.data , Mac/Linux 执行： ls > info.data(注意删除 data 文件中的info.data)

假设目录结构如下：

/info
  0.jpg
  1.jpg
lance.dat

文件lance.dat里的内容如下：

#分别表示 1张人脸 ；人脸从 0,0坐标开始；大小为24x24
info/0.jpg 1 0 0 24 24
#2个人脸； 人脸分别为 100,200处的50x50 和 50,30处的25x25为人脸
info/1.jpg 2 100 200 50 50   50 30 25 25
#这部分内容可以使用java 程序来修改,如增加"img/"

执行：（opencv环境变量配置opencv\build\x64\vc15\bin到path里）

opencv_createsamples -info lance.data -vec lance.vec  -num 100  -w 24 -h 24
-info: 正样本描述
-vec : 输出的正样本向量
-num : 正样本数量
-w -h: 输出样本的大小
#输出：Done. Created 100 samples  表示成功生成100个样本

制作负样本

负样本与正样本执行一样的操作，假如目录结构如下：

/bg
  0.jpg
  1.jpg
bg.txt

则bg.txt文件中的内容将如下所示：

bg/0.jpg
bg/1.jpg

执行训练

创建一个data 目录，执行：

opencv_traincascade -data data  -vec lance.vec -bg bg.txt -numPos 100 -numNeg 300  -numStages 15  -featureType LBP -w 24 -h 24

-data ： 需要手动创建，生成的结果 训练的模型会输出到这个目录
-vec  ： 正样本	
-bg	  ： 负样本
-numPos ：每级分类器训练时所用到的正样本数目
-numNeg ：每级分类器训练时所用到的负样本数目，可以大于-bg数目
-numStages：训练分类器的级数，如果层数多，分类器的误差就更小，但是检测速度慢。(15-20)
-featureType: LBP 
-w -h

输出：
Training until now has taken 0 days 0 hours 0 minutes 10 seconds.
表示成功

输出：
Required leaf false alarm rate achieved. Branch training terminated.
表示成功,但是误检率已经达标。(样本太少了)

输出：
Bad argument < Can not get new positive sample. The most possible reason is insufficient count of samples in given vec-file.
则意味着错误。


minHitRate：分类器的每一级希望得到的最小检测率。当设置为0.995时如果正训练样本个数为100个，那么其中的0.5个就很可能不被检测，第二次选择的时候必须多选择后面的5个，按照这种规律我们为后面的每级多增加numPos*minHitRate个正样本.
实际准备的正样本数量应该（读入vec的正样本数） >= numPos + (numStage - 1) * numPos * (1 - minHitRate) 
按照此公式计算： x+14*x*0.005 = 1.07*x ,也就是正样本数量要大于等于 1.07*x 而我们正样本是100，所以x = 93.45，但是此处传100也可以。
因为实际的检测率会比minHitRate高，所以在设置numPos时可以将其设置的稍微再大些，最终的目的是要尽量让所有的正样本都参与到训练中。但是，过大就会出错。

采集样本		
	   for (Rect face : faces) {
			//画矩形
			//分别指定 bgra
			rectangle(img, face, Scalar(255, 0, 255));
#if 0
			//使用opencv自带的模型 记录你的脸作为样本
			//把找到的人脸扣出来
			Mat m;
			//把img中的脸部位拷贝到m中
			img(face).copyTo(m);
			//把人脸 重新设置为 24x24大小的图片
			resize(m, m, Size(24, 24));
			//转成灰度
			cvtColor(m, m, COLOR_BGR2GRAY);
			char p[100];
			sprintf(p, "D:/Lance/ndk/lsn27_opencv_face/资料/img/info/%d.jpg",i++);
			//把mat写出为jpg文件
			imwrite(p,m);
#endif
		}