Opencv+traincasade训练器训练

Opencv+traincasade训练器训练

1. 前期准备

• opencv3.4.1 +VS2018
• 存放正样本和负样本的文件夹
• 生成训练的文件

2. 准备样本

2.1 准备正样本

正样本就是你想要识别的物体，可根据情况选择样本的多少（实际上越多越好），样本之间不要重 复，差异性越大越好（比如人脸识别，就拍很多张正脸，侧脸之类的）。尺寸看情况选择，但是必须归一化，即统一尺寸。本文中选择的尺寸为128X96，越大的尺寸训练起来会越慢。

2.2 准备负样本

负样本就是背景，拍照时你所要识别的物体的背景，每个项目都有每个项目不同的负样本，最好不要随意找一些无关的图片做负样本，这样会导致训练效果很差。尺寸不需要归一化，但是必须大于或等于正样本的尺寸。正负样本比例最好是1：3或者更大。

3. 生成训练的文件

在你自己的文件夹中，新建pos文件夹用来存放正样本图片，neg文件夹存放负样本文件夹，xml文件夹存放训练生成的xml文件。然后在自己安装的opencv的库中将opencv_createsamples.exe和 opencv_traincascade.exe复制在文件里面。这俩个文件在 E:\opencv\build\x64\vc14\bin 文件里面。（注：这里是我的opencv文件夹）
之后的操作便是在DOS界面里完成：
打开dos界面，找到你自己的上文中的文件，打开pos文件夹，输出dir /b >pos.txt生成pos.txt文件

 dir /b >pos.txt

如图所示

生成了文件之后在pos文件中打开生成的pos.txt文件，然后删除pos.txt
一键替换jpg后缀：
将jpg替换成jpg 1 0 0 128 96
1 是这个图片中只有一个识别对象
0 0 是这个图像的起始坐标
128 96是你设定的图片大小
然后在最后一行删除pos.txt字样

同样的操作在neg文件中生成neg.txt文件

接下来的操作和pos.txt有点不一样，打开neg.txt文件，不需要修改jpg后缀，但是需要在图片名字前面加入路径，否则opencv无法识别。（记住一定是\ \号！！）

然后在最后一行删除neg.txt字样。

然后在dos界面回到你的文件目录下，生成pos.vec文件，输入

opencv_createsamples.exe -vec pos.vec -info pos\pos.txt - w 128 -h 96 -num 28

-vec 是生成pos.vec文件
-info 是pos.txt文件的相对路径
-w -h 是正样本的图片大小
-num 是正样本的图片数量

然后输入 ，生成XML文件

opencv_traincascade.exe -data xml -vec pos.vec -bg neg/neg.txt -numPos 28 -numNeg 1500 -minHitRate 0.9999 -maxFalseAlarmRate 0.5 -featureType LBP -numStages 10 -w 128 -h 96

参数说明
-data <cascade_dir_name>
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。
-vec <vec_file_name>
包含正样本的vec文件名（由 opencv_createsamples 程序生成）。
-bg <background_file_name>
背景描述文件，也就是包含负样本文件名的那个描述文件。
-numPos <number_of_positive_samples>
每级分类器训练时所用的正样本数目。其指设置为正样本数量的85%（这是一个保守值）。具体的也要根据级联器的层数来决定的。因为每个stages都是会增加图片数量来进行分类。
-numNeg <number_of_negative_samples>
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。
-numStages <number_of_stages>
训练的分类器的级数。
-precalcValBufSize <precalculated_vals_buffer_size_in_Mb>
缓存大小，用于存储预先计算的特征值(feature values)，单位为MB。
-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>
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。
-baseFormatSave
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。
级联参数：
-stageType <BOOST(default)>
级别（stage）参数。目前只支持将BOOST分类器作为级别的类型。
-featureType<{HAAR(default), LBP}>
特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征。
-w
-h
训练样本的尺寸（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。
Boosted分类器参数：
-bt <{DAB, RAB, LB, GAB(default)}>
Boosted分类器的类型： DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost。
-minHitRate <min_hit_rate>
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。总检测率即为整个级联器的检测召回率，
-maxFalseAlarmRate <max_false_alarm_rate>
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. 为整个级联器的误检率
-weightTrimRate <weight_trim_rate>
Specifies whether trimming should be used and its weight. 一个还不错的数值是0.95。
-maxDepth <max_depth_of_weak_tree>
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）。
-maxWeakCount <max_weak_tree_count>
每一级中的弱分类器的最大数目。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate.
类Haar特征参数：
-mode <BASIC (default) | CORE | ALL>
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。

4. 等待生成XML文件

输出完上文的执行命令后会出现

等待完成就可以了
完成了之后，就可以在opencv中引用在xml文件夹中生成的cascade.xml文件去做识别了。

#include "pch.h"
#include <iostream>  
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/opencv.hpp>
#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <stdio.h>

using namespace std;
using namespace cv;

string face_name = "D:\\study\\my_face_train\\xml\\cascade.xml";

CascadeClassifier face;

RNG rng(12345);

void detectface(Mat frame);

int main()
{
	VideoCapture capture(0);

	if (!face.load(face_name))
	{
		printf("--(!)Error loading\n");
		return -1;
	}

	while (1)
	{

		Mat frame;

		capture >> frame;

		resize(frame, frame, Size(frame.cols / 2, frame.rows / 2), 0, 0, INTER_LINEAR);//图片缩放

		detectface(frame);


		waitKey(1);

	}


}
void detectface(Mat frame)
{
	vector<Rect>faces;

	Mat frame_gray;

	cvtColor(frame, frame_gray, CV_BGR2GRAY);//灰度图像

    equalizeHist(frame_gray, frame_gray);//直方分布均衡化

	face.detectMultiScale(frame_gray, faces, 1.1, 2, 0 | CV_HAAR_SCALE_IMAGE, Size(0, 0));//分类器识别

	for (int i = 0; i < faces.size(); i++)
	{
		Point center(faces[i].x + faces[i].width*0.5, faces[i].y + faces[i].height*0.5);

		rectangle(frame, Rect(faces[i].x, faces[i].y, faces[i].width*0.5, faces[i].height*0.5),Scalar(0, 255, 0), 2);
	}
	imshow("frame", frame);
}