【OpenCV】- 制作检测目标级联分类器

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：本篇介绍如何利用python opencv 工具制作分类器，关于分类器如何使用见我的前面文章：

在平时做目标检测的时候需要用到自定义目标来做检测，官方的分类器已经不够用了，那么就需要我们自己来制作分类器。

---

一、级联分类器是什么？

分类器是我们平时使用的xml文件，他包含了对检测目标的描述，当然OpenCV官方也提供了像人眼，人脸等分类器可以直接使用，本篇介绍如何在平时项目里制作个人分类器。

级联分类器（Cascade Classifier）是一种高效的目标检测方法，常用于人脸检测、行人检测等任务。其中的“级联”（Cascade）指的是一种多阶段分类器结构，通过逐步过滤的方式快速排除非目标区域，从而提高检测效率。

二、使用步骤

1. 安装依赖和工具

安装OpenCV：

pip install opencv-python opencv-python-headless

安装训练工具：

访问 OpenCV官网 ，安装适合自己系统的版本，将opencv_createsamples 和 opencv_traincascade，opencv_annotation 添加到环境变量（也可以在安装目录直接使用）。

注意：opencv_createsamples 和 opencv_traincascade ，opencv_annotation是 OpenCV 的额外工具，通常包含在 OpenCV 的完整安装包中，而不是通过 pip 安装的 Python 包。

由于OpenCV2以后官方把分类器制作工具取消了，所以建议下载老版本，下载链接：opencv-2.4.13.6-vc14.exe。

下载完成后，在 opencv\build\x64\vc14\bin 目录下找到相应的工具。

2. 样本预处理

对于样本，需要进行预处理，主要是进行灰度化和resize, 那是由于通常样本量都是很大的，而且尺寸也有可能不一样，我们统一灰度处理和定义尺寸更方便后面对样本训练。

代码如下 (更改输出尺寸)：

"""
import os
import cv2


def trans_to_gray(folder: str):
    index = 0
    for item in os.listdir(folder):
        index += 1
        item_path = os.path.join(folder, item)
        if os.path.isfile(item_path):
            gray = cv2.imread(item_path, cv2.IMREAD_GRAYSCALE)
            img = cv2.resize(gray, (400, 400))
            cv2.imwrite('pos2/' + str(index) + ".jpg", img)

3. 生成正标注文件

所谓的正标注文件，就是个人要检测的目标，被称为正样本。标注文件标注了正样本图片的路径，目标在图片中的起始像素和目标的大小，我们使用opencv_annotation 工具生成标注文件。

通过在终端执行 opencv_annotation 可以看到相关的参数：

-images  # 正样本文件目录
-annotations # 输出文件名

执行运行依次出现提示让框选目标，依次框选直到完成，快捷键如下：

1. 使用鼠标在图像中绘制矩形框，标注目标对象。

2. 按 c 确认当前标注。

3. 按 d 删除上一个标注。

4. 按 n 切换到下一张图像。

5. 按 ESC 退出标注工具。

执行完毕，生成标注文件，如下：

4. 生成负标注文件

负标注文件来自于负样本，负样本可以通过在网上下载素材，也就是和检测目标不相关的文件，可以理解成背景。通过同样方法生成负样本标注文件。

更为方便可以通过代码方式生成（因为负样本不需要找起始像素点）：

def create_pos_n_neg():
    for file_type in ['pos', 'neg']:  # 此处修改pos或neg即可生成正负样本的描述文件，pos是生成正样本描述文件info.txt
        index = 0
        for img in os.listdir(file_type):
            index += 1
            if (file_type == 'neg'):
                line = file_type + '/' + img + '\n'
                with open('bg.txt', 'a') as f:
                    f.write(line)
            elif (file_type == 'pos'):
                line = file_type + '/' + img + ' 1 0 0 400 400\n'  # 1是编号，0 0是起始像素点，40 40是图片大小，要和程序1的大小一样
                with open('info.txt', 'a') as f:
                    f.write(line)

生成的负样本：

5. 生成样本描述文件（.vec）

样本描述文件是利用前面的标注文件，将样本信息包含到标注文件里面，标注文件包含样本量，输出尺寸信息，使用 opencv_createsamples工具来获得。

  [-info <collection_file_name>]  # 正样本标注文件
  [-img <image_file_name>]  # 指定文件为输入（忽略）
  [-vec <vec_file_name>]  # 输出描述文件名
  [-bg <background_file_name>]  # 负样本标注文件
  [-num <number_of_samples = 1000>]  # 样本量，按最大填，如果不够自动使用实际的样本量
  [-bgcolor <background_color = 0>] 
  [-inv] [-randinv] [-bgthresh <background_color_threshold = 80>]
  [-maxidev <max_intensity_deviation = 40>]
  [-maxxangle <max_x_rotation_angle = 1.100000>]
  [-maxyangle <max_y_rotation_angle = 1.100000>]
  [-maxzangle <max_z_rotation_angle = 0.500000>]
  [-show [<scale = 4.000000>]]  # 显示输出过程
  [-w <sample_width = 24>]  # 压缩的样本大小
  [-h <sample_height = 24>]

执行 opencv_createsamples -info info.txt -vec pos.vec -bg bg.txt -w 100 -h 100 -show ， show出图片后按 C 继续，输出如下：

6. 训练输出分类器

使用opencv_traincascade工具来训练分类器，输出xml文件，参数如下：

  -data <cascade_dir_name>  # 输出目录（需要空目录）
  -vec <vec_file_name>  # 描述文件
  -bg <background_file_name>  # 负样本标注
  [-numPos <number_of_positive_samples = 2000>]  # 正样本数量，需要小于真实数量
  [-numNeg <number_of_negative_samples = 1000>]  # 负样本数量，需要小于真实数量
  [-numStages <number_of_stages = 20>]  # 级联数
  [-precalcValBufSize <precalculated_vals_buffer_size_in_Mb = 1024>] # 电脑提供的缓存大小，根据电脑配置给
  [-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb = 1024>]
  [-baseFormatSave]
  [-acceptanceRatioBreakValue <value> = -1>]
--cascadeParams--
  [-stageType <BOOST(default)>]
  [-featureType <{HAAR(default), LBP, HOG}>]
  [-w <sampleWidth = 24>]  # 根据描述文件尺寸填宽和高
  [-h <sampleHeight = 24>]
--boostParams--
  [-bt <{DAB, RAB, LB, GAB(default)}>]
  [-minHitRate <min_hit_rate> = 0.995>]
  [-maxFalseAlarmRate <max_false_alarm_rate = 0.5>]
  [-weightTrimRate <weight_trim_rate = 0.95>]
  [-maxDepth <max_depth_of_weak_tree = 1>]
  [-maxWeakCount <max_weak_tree_count = 100>]
--haarFeatureParams--
  [-mode <BASIC(default) | CORE | ALL
--lbpFeatureParams--
--HOGFeatureParams--

使用如下命令开始训练， opencv_traincascade -data data2 -vec pos.vec -bg bg.txt -numPos 19 -numNeg 500 -precalcValBufSize 5000 -w 100 -h 100， 等待训练完成。

7. 使用级联分类器

通过训练，data文件夹将会出现cascade.xml文件，通过加载这个分类器，来识别目标，代码如下：

import cv2

# 1. 加载预训练的 Haar 级联分类器
face_cascade = cv2.CascadeClassifier('data2/cascade.xml')

# 2. 读取图像
image = cv2.imread('p2.jpg')  # 替换为你的图像路径
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像


target = face_cascade.detectMultiScale(
    gray,                  # 灰度图像
    scaleFactor=1.1,       # 图像缩放比例
    minNeighbors=5,        # 检测目标的邻居数量
)
print("Target ", target)
# 4. 画出检测到的对象
for (x, y, w, h) in target:
    cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)  # 画出矩形框

# 5. 显示结果
cv2.imshow('Detected', image)
cv2.waitKey(0)  # 等待按键
cv2.destroyAllWindows()  # 关闭窗口

运行显示结果如下：

可以看到，分类器还是帮我们找到了目标，但是找的位置有偏差。由于样本量太少，经过5分钟的训练达到的精准度是远远不够的。

---

总结

以上就是本篇介绍的如何利用openCV工具生成分类器，以及如何使用分类器，如果想要顺利精准的构造可用的分类器总结经验如下：

1. 样本尽量尺寸小一点，摆放的方向尽量一致
2. 拍摄的光线尽量统一一些
3. 拍摄的角度多样，并且保证足够量的样本数量
4. 正样本和负样本尺寸必须满足生成生成分类器定义的尺寸，假如正样本或负样本尺寸比定义的尺寸小，会出现训练失败问题。