您的位置:首页 > 运维架构

基于opencv2.0的haar算法以人脸识别为例的训练分类器xml的方法

2012-11-12 15:47 567 查看
基于opencv2.0的算法

第一步 采集样本

1、 将正负样本分别放在两个不同的文件夹下面


分别取名pos和neg,其中pos用来存放正样本图像,neg用来存放负样本





注意事项:1、正样本要统一切成24*24像素(或者其他)的格式,建议保存成灰度图,节省空间

2、正样本的数目越多,训练的时间也将越长,训练出来的效果也就越好

3、负样本的数量想对于正样本一定要足够的多,很多朋友在训练的时候,往往出现了CPU占用率达到了100%,但是训练只是停留在一个分类器长达几小时没有相应,问题出现在取负样本的那个函数 icvGetHaarTrainingDataFromBG中; 当剩下所有的negtive样本在临时的cascade Classifier中,evaluate的结果都是0(也就是拒绝了),随机取样本的数目到几百万都是找不到误检测的neg样本了,因而没法跳出循环

2、建立正负样本的说明文件

这里我们假定根目录在D:\boost下面 。

在cmd下面进入pos目录,输入 dir /b > pos.txt



这个时候会在pos文件加下面生成一个pos.txt文件,打开pos.txt





我们对它进行如下编辑:

(1)、将BMP 替换成为 BMP 1 0 0 24 24

注意:1代表此图片出现的目标个数 后面的 0 0 24 24代表目标矩形框(0,0)到(24,24),用户可以根据自身需要调整数值

(2)、删除文本中最后一行的“pos.txt”



2、对负样本进行编辑

在CMD下输入 dir /b > neg.txt



同理,打开neg目录下的neg.txt文件,只需要删除最后一行的neg.txt这一句

注意:1、负样本说明文件不能含有目标物体

2、负样本图像尺寸不受到限制,但是尺寸越大,训练所用的时间越长,

3、负样本图像可以是灰度图,也可以不是,笔者建议使用灰度图,这样处理起来可能更有效率

4、负样本图像一定不要重复,增大负样本图像的差异性,可以增加分类器的使用范围,笔者建议可以使用网上的素材库,将1000多张不含目标的图片灰度处理后用来训练,效果更佳

二、使用opencv_createsamples.exe创立样本VEC文件

1、首先我们将要用的的2个程序opencv_createsamples.exe和opencv_haartraining.exe拷到根目录下



在CMD下输入如下命令:

opencv_createsamples.exe -vec pos.vec -info pos\pos.txt -bg neg\neg.txt -w 40 -h 40 -num 142

以上参数的含义如下:

-vec <vec_file_name>

训练好的正样本的输出文件名。

-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。

-num<number_of_samples>

要产生的正样本的数量,和正样本图片数目相同。

-bgcolor<background_color>

背景色(假定当前图片为灰度图)。背景色制定了透明色。对于压缩图片,颜色方差量由bgthresh

参数来指定。则在bgcolor-bgthresh 和bgcolor+bgthresh 中间的像素被认为是透明的。

-bgthresh<background_color_threshold>

-inv

如果指定,颜色会反色

-randinv

如果指定,颜色会任意反色

-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。

-w<sample_width>

输出样本的宽度(以像素为单位)

-h《sample_height》

输出样本的高度,以像素为单位。



按下回车后我们的正样本



三、使用opencv_haartraing.exe进行训练

参数说明如下:

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)

-bg<background_file_name>背景描述文件。

-npos<number_of_positive_samples>,

-nneg<number_of_negative_samples>用来训练每一个分类器阶段的正/负样本。合理的值是:

-nPos = 7000;nNeg = 3000-nstages<number_of_stages>训练的阶段数。

-nsplits<number_of_splits>决定用于阶段分类器的弱分类器。

如果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。-sym(default)-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。

-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。

-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。-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

在CMD下输入opencv_haartraining.exe -data xml -vec pos.vec -bg neg\neg.txt -w 40 -h 40 -mem 800



然后开始训练

训练过程如图,呵呵,要是成百上千的样本的话,我们先去吃完泡面休息一下吧



好了,休息回来,训练完成提示信息如下:



在根目录下就会生成相应的XML文件
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: