机器学习中级联分类器的使用（基于OpenCV）

最近项目上需要用到机器学习，特利用OpenCV自带的可执行程序对图像样本进行分类处理。

利用OpenCV中opencv_createsample.exe和opencv_traincascade.exe对图像进行分类的主要步骤可分为以下几个部分：

1.准备正样本和负样本

我准备的正样本为30*30的bmp图（8位），特别注意的是正样本大小要一致！

并将其放到pos文件夹下，利用windows自带的批处理程序，生成pos.dat文件（pos路径下），pos文件格式如下：

同样地，将负样本放在新建的neg文件夹下，并生成neg.dat文件（.dat格式可以更改的）

2.生成vec描述文件

将pos文件夹下的所有样本生成.vec文件，该部分可以在pos和neg文件夹的同级目录下新建createsamples.bat文件（批处理文件），文件中内容如下：

opencv_createsamples.exe -vec pos\pos.vec -info pos\pos.dat -num 130 -w 30 -h 30

其中pos.vec文件放在pos文件夹中，-num为正样本的数目，-w 宽度 -h 高度

可以在后面添加pause,以便批处理后暂停查看处理信息，具体如下：

生成后的效果图如下：

若上述报错，一定要仔细查找出错原因，否则后续无法正常进行！

3.生成分类器

首先要在pos文件夹和neg文件夹同级目录下新建data文件夹（以便存储生成的分类器文件），同时新建calssify.bat批处理文件，其内容如下：

特别注意上述的路径！后续生成过程出现问题，很大一部分原因是路径出现问题！其参数说明如下：

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

-data data 分类生成的文件放置的位置（在刚才新建的data文件夹里）

-vec pos\pos.vec 加载vec文件（pos.vec文件在pos文件夹里）

-bg neg\neg.dat 加载负样本文件

-numPos 130 正样本的数量

-numNeg 50 负样本的数量（neg文件夹下有50张负样本）

-numStages 15 样本训练的层数（层数多，耗时长，建议15~20）

-w 30 -h  30 样本大小

-minHitRate 0.9999 最小命中率（训练目标的准确度）

-maxFalseAlarmRate 0.5 最大误检率（每一层的训练值小于该值，即可进行下一层的训练）

-mode ALL 特征检测的方式（ALL表示haar全方位检测）

此外还有：

-mem 可用于设置电脑使用内存

-numStages 训练分类器的级数，强分类器的个数

-precalcValBufSize 缓存大小，用于存储预先计算的特征值，单位MB

-precalcldxBufSize 缓存大小，用于存储预先计算的特征索引，单位MB

-featureType  特征检测类型（默认Haar特征，还有LBP和HOG特征）

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

训练后效果图如下：

中间省略。。。

训练的stage较多，一部分原因是参数设置，另外一部分原因是样本大小。

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

生成完毕后，可在data文件夹下看到生成的.xml文件（分类器数据），后续进行样本预测可用cascade.xml文件。

整个处理过程，速度还是很快的（我的数据很少），期间容易出错的地方包括：

1.各文件的路径（相对路径关系）；

2.pos.dat文件中数据的排列格式（当然后缀不一定要取.dat，也可以.txt）

3.样本过大，比如全是60*60的，且参数设置严格，训练非常耗时，可能需要十几个小时！，样本最好为20*20（我的为30*30）；

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

注意事项：

1.正负样本数量搭配最好满足 1:(2.5~3.0)；

2.负样本的尺寸最好比正样本尺寸大很多，例如正样本为20*20，负样本为1024*960；

3.负样本之间需要有较大的差异性；

4.numPos最好要小于.vec文件中正样本的数量，一般取0.9倍的正样本数量；

5.正样本中样本图案像素数量要大于背景图像像素数量（即正样本要集中体现样本图案！）；

6.-numNeg 中负样本的数量可以超过实际负样本的数量（通常这样的效果较好！）；

7.训练的速度 LBP>HOG>HARR（HARR的速度非常慢！）；

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

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

下面展示利用级联分类器进行特定目标检测的效果。

1.正样本总数774个，大小为30*30；

2.负样本总数2690个，大小为120*120；

3.训练采用的配置参数如下：特征模式为LBP；特征集为CORE；级联层数20级；每一级正样本数600个；每一级负样本数5000个；最小检出率为0.9999；最大虚警率0.5。

4.训练耗时半小时左右（i7处理器、8G内存）；

5.训练完成后，将.xml加载到检测中，检测函数对象.detectMultiScale中scaleFactor为1.1，minNeighors为1，flags为4，minSize和maxSize分别为21*21、30*30。参数具体含义可以参考opencv官方文档。

6.被检测对象如下：

7.不同对象被检测的效果如下：

以上述检测结果可看出，其检测的效果并没有想象中的那么好！有的特征没有检测出来，更有误检存在！（上中、下左、下右三幅图全检OK，其余三幅存在问题！）。

在工业检测中，上述的精度很难满足实际的应用要求！直观判断，出现问题主要是因为样本的选取，其次是训练参数的设置。

后续将进一步理解级联分类器，致力于提高其检测精度！