OpenCV 实践程序10——利用 haar特征和adaboost方法训练分类器

4个批处理文件

dir D:\face\negjpg /b>D:\face\negjpg\neg.txt

dir D:\face\posjpg /b>D:\face\posjpg\pos.txt

cd D:\face

E:\OpenCV2.2\bin\opencv_createsamples.exe -vec data\pos.vec -info posjpg\pos.txt -bg negjpg\neg.txt -w 20 -h 20 -num 4424

Pause

cd D:\face

E:\OpenCV2.2\bin\opencv_haartraining.exe -data data\casdata -vec data\pos.vec -bg negjpg\neg.txt -nstages 20 -nsplits 2 -mem 3584 -sym -w 20 -h 20 -mode all

Pause

样本创建

训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片。

负样本

负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下：

采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:\face\posdata下，则：

打开Windows运行程序，输入cmd打开DOS命令窗口，输入

d:回车，

cd D:\face\negdata，

dir /b > negdata.dat，

则会图片路径下生成一个negdata.dat文件，打开该文件将最后一行的negdata.dat删除，这样就生成了负样本描述文件。

正样本

对于正样本，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小），如上图所示：

由于HaarTraining训练时输入的正样本是vec文件，所以需要使用OpenCV自带的CreateSamples程序（在你所按照的opencv\bin下，如果没有需要编译opencv\apps\HaarTraining\make下的.dsw文件，注意要编译release版的）将准备好的正样本转换为vec文件。转换的步骤如下:

1) ***一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在图片中的位置和大小。

典型的正样本描述文件如下： posdata/1(10).bmp 1 1 1 23 23 posdata/1(11).bmp 1 1 1 23 23 posdata/1(12).bmp 1 1 1 23 23

不过你可以把描述文件放在你的posdata路径（即正样本路径）下，这样你就不需要加前面的相对路径了。同样它的生成方式可以用负样本描述文件的生成方法，最后用txt的替换工具将“bmp”全部替换成“bmp 1 1 1 23 23 ”就可以了，如果你的样本图片多，用txt替换会导致程序未响应，你可以将内容拷到word下替换，然后再拷回来。bmp后面那五个数字分别表示图片个数，目标的起始位置及其宽高。这样就生成了正样本描述文件posdata.dat。 2) 运行CreateSamples程序。如果直接在VC环境下运行，可以在Project\Settings\Debug属性页的Program
arguments栏设置运行参数。下面是一个运行参数示例：

-info D:\face\posdata\posdata.dat -vec D:\face\pos.vec -num 50 -w 20 -h 20

表示有50个样本，样本宽20，高20，正样本描述文件为posdata.dat，结果输出到pos.vec。 或者在dos下输入：

opencv_createsamples.exe -vec pos.vec -info test/posdata.dat -num 262 -w 24 -h 24 正确的

"opencv_createsamples.exe" -vec pos.vec -info "test/posdata.dat" -num 262 -w 24 -h 24

"E:\OpenCV2.1\bin\opencv_createsamples.exe" -info "test\posdata.dat" -vec data\pos.vec -num 262 -w 24 -h 24

E:\OpenCV2.1\bin\opencv_createsamples.exe -info test\posdata.dat -vec data\pos.vec -num 262 -w 24 -h 24

运行完了会d:\face\data下生成一个*.vec的文件。该文件包含正样本数目，宽高以及所有样本图像数据。结果入下图：


待续

命令行参数：

－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。

三、训练分类器

样本创建之后，接下来要训练分类器，这个过程是由haartraining程序来实现的。该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。

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。

到此第一步样本训练就完成了。恭喜你，你已经学会训练分类器的五成功力了，我自己学这个的时候花了我一天的时间，估计你几分钟就学会了吧。 三、训练分类器

样本创建之后，接下来要训练分类器，这个过程是由haartraining程序来实现的。该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。 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》

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。

一个训练分类器的例子：

"D:\Program Files\OpenCV\bin\haartraining.exe" -data data\cascade -vec data\pos.vec -bg negdata\negdata.dat -npos 49 -nneg 49 -mem 200 -mode ALL -w 20 -h 20

（这儿老是会出错）训练结束后，会在目录data下生成一些子目录，即为训练好的分类器。
http://blog.csdn.net/liulina603/article/details/8184451