级联分类器训练（OpenCV教程）
级联分类器训练
使用级联分类器工作包括两个阶段：训练和检测。 检测部分在OpenCV objdetect
模块的文档中有介绍，在那个文档中给出了一些级联分类器的基本介绍。当前的指南描述了如何训练分类器：准备训练数据和运行训练程序。
重点注意事项
OpenCV中有两个程序可以训练级联分类器： opencv_haartraining&和
opencv_traincascade 。 opencv_traincascade 是一个新程序，根据OpenCV 2.x
API 用C++ 编写。这二者主要的区别是opencv_traincascade 支持
(Local Binary Patterns)
两种特征，并易于增加其他的特征。与Haar特征相比，LBP特征是整数特征，因此训练和检测过程都会比Haar特征快几倍。LBP和Haar特征用于检测的准确率，是依赖训练过程中的训练数据的质量和训练参数。训练一个与基于Haar特征同样准确度的LBP的分类器是可能的。
opencv_traincascade 和opencv_haartraining
所输出的分类器文件格式并不相同。注意，新的级联检测接口（参考objdetect 模块中的 CascadeClassifier
类）支持这两种格式。opencv_traincascade
可以旧格式导出选练好的级联分类器。但是在训练过程被中断后再重启训练过程，opencv_traincascade andopencv_haartraining
不能装载与中断前不同的文件格式。
opencv_traincascade
程序使用TBB来处理多线程。如果希望使用多核并行运算加速，请使用TBB来编译OpenCV。
还有一些与训练相关的辅助程序。
opencv_createsamples
用来准备训练用的正样本数据和测试数据。opencv_createsamples
能够生成能被opencv_haartraining 和 opencv_traincascade
程序支持的正样本数据。它的输出为以 *.vec 为扩展名的文件，该文件以二进制方式存储图像。
opencv_performance
可以用来评估分类器的质量，但只能评估opencv_haartraining
输出的分类器。它读入一组标注好的图像，运行分类器并报告性能，如检测到物体的数目，漏检的数目，误检的数目，以及其他信息。
既然 opencv_haartraining
是一个将被弃用的程序，下面将不再介绍，而会主要介绍opencv_traincascade 。opencv_createsamples
程序用来为opencv_traincascade
准备训练样本，因此也会介绍它。
准备训练数据
训练需要一些列样本。样本分两类：负样本和正样本。负样本是指不包括物体的图像。正样本是待检测的物体的图像。负样本必须手工准备，正样本使用opencv_createsamples
负样本可以是任意图像，但是这些图像中不能包含待检测的物体。用于抠取负样本的图像文件名被列在一个文件中。这个文件是纯文本文件，每行是一个文件名（包括相对目录和文件名）。负样本和样本图像也叫做背景样本，或者背景样本图像，本文档中对之不予区分。这些图像可以是不同的尺寸，但是图像尺寸应该比训练窗口的尺寸大，因为这些图像将被用于抠取负样本，并将负样本缩小到训练窗口大小。
下面是一个描述文件的例子：
假如目录结构如下：
则bg.txt文件中的内容将如下所示：
img/img1.jpg
img/img2.jpg
正样本由 opencv_createsamples
生成。正样本可以由包含待检测物体的一张图片生成，也可由一系列标记好的图像生成。
请注意你需要一个很大的负样本库送给训练程序进行训练。如果是绝对刚性的物体，如OpenCV的标志，你只有一张正样本图像；如果是人脸，你需要几百甚至几千个正样本。在待检测物体是人脸的情况下，你需要考虑所有的人种、年龄、表情甚至胡子的样式。
如果只有一张包含物体的图像，如一个公司的标志，那么可以通过对物体图像的随机旋转、改变标志亮度以及将标志放在任意的背景上而获得大量的正样本。生成的正样本数目以及随机的程度都可以通过opencv_createsamples
的命令行参数控制。
命令行参数：
-vec&vec_file_name&
输出文件，内含用于训练的正样本。
-img&image_file_name&
输入图像文件名（例如一个公司的标志）。
-bg&background_file_name&
背景图像的描述文件，文件中包含一系列的图像文件名，这些图像将被随机选作物体的背景。
-num&number_of_samples&
生成的正样本的数目。
-bgcolor&background_color&
背景颜色（目前为灰度图）；背景颜色表示透明颜色。因为图像压缩可造成颜色偏差，颜色的容差可以由
-bgthresh 指定。所有处于 bgcolor-bgthresh 和bgcolor+bgthresh
之间的像素都被设置为透明像素。
-bgthresh&background_color_threshold&
如果指定该标志，前景图像的颜色将翻转。
如果指定该标志，颜色将随机地翻转。
-maxidev&max_intensity_deviation&
前景样本里像素的亮度梯度的最大值。
-maxxangle&max_x_rotation_angle&
X轴最大旋转角度，必须以弧度为单位。
-maxyangle&max_y_rotation_angle&
Y轴最大旋转角度，必须以弧度为单位。
-maxzangle&max_z_rotation_angle&
Z轴最大旋转角度，必须以弧度为单位。
很有用的调试选项。如果指定该选项，每个样本都将被显示。如果按下
Esc 键，程序将继续创建样本但不再显示。
-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）。
创建样本的流程如下： 输入图像沿着三个轴随机旋转。旋转的角度由
-max?angle 限定。然后像素的亮度值位于
[bg_color-bg_color_threshold;bg_color+bg_color_threshold]范围的像素被设置为透明像素。将白噪声加到前景图像上。如果指定了-inv
，那么前景图像的颜色将被翻转。如果指定了-randinv
，程序将随机选择是否将颜色进行翻转。任选背景图像，将获得的前景图像放到背景图像上，并将图像调整到-w 和-h
指定的大小。最后将图像存入vec文件，vec文件名由命令行参数-vec 指定。
正样本也可从一系列事先标记好的图像中创建。标记信息可以存储于一个文本文件，与背景描述文件类似。文件中的每行对应一个图像文件。每行的第一个元素为图像文件名，后面是物体的数目，最后是物体位置和大小的描述
(x, y, width, height)。
下面是描述文件的例子：
假设目录结构如下：
img_with_faces_1.jpg
img_with_faces_2.jpg
文件info.dat里的内容如下：
img/img_with_faces_1.jpg
140 100 45 45
img/img_with_faces_2.jpg
100 200 50 50
50 30 25 25
图像img_with_faces_1.jpg中包含一个物体实例（如人脸），标示其在图像中的位置和大小的矩形为(140,
100, 45, 45)。图像img_with_faces_2.jpg包含两个物体实例。
从这样的一系列数据中创建正样本，需要在命令行指定
-info 而非前面所用的 -img 参数：
-info&collection_file_name&
描述物体所在图像以及大小位置的描述文件。
此部分样本创建过程如下：将物体实例从图像中抠取出，然后将之调整尺寸到目标尺寸，然后保存到输出的vec文件。在此过程中不会对图像进行变形，所以有效的命令行参数仅有-w,-h,
-show 和-num 。
opencv_createsamples
也可以用来查看和检查保存于vec正样本文件中的正样本。这时只需指定-vec ，-w 和 -h 三个参数则可。opencv_createsamples
将逐一显示正样本图像。
在训练中，训练程序并不关心包含正样本的vec文件如何生成的，你可以自己写程序来生成vec文件。但是OpenCV提供的工具中，只有&opencv_createsamples
程序能够创建包含正样本的vec文件。
一个vec文件的例子位于 opencv/data/vec_files/trainingfaces_24-24.vec
。它可用来训练人脸分类器，窗口大小为：-w24-h 24 。
训练级联分类器
下一步是训练分类器。如前面所述， opencv_traincascade 和opencv_haartraining
都可用来训练一个级联分类器，但是此处只介绍opencv_traincascade 。 opencv_haartraining 的用法与opencv_traincascade 类似。
下面是 opencv_traincascade
的命令行参数，以用途分组介绍：
通用参数：
-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。
-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&sampleWidth&
-h&sampleHeight&
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。
-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.
-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。更多细节请参考
LBP特征参数：
LBP特征无参数。
当 opencv_traincascade
程序训练结束以后，训练好的级联分类器将存储于文件cascade.xml中，这个文件位于-data
指定的目录中。这个目录中的其他文件是训练的中间结果，当训练程序被中断后，再重新运行训练程序将读入之前的训练结果，而不需从头重新训练。训练结束后，你可以删除这些中间文件。
训练结束后，你就可以测试你训练好的级联分类器了！
Paul Viola, Michael Jones.
Rapid Object Detection using a Boosted Cascade of Simple
Features. Conference on Computer Vision and Pattern
Recognition (CVPR), 2001, pp. 511-518.
Rainer Lienhart and Jochen Maydt.
An Extended Set of Haar-like Features for Rapid Object
Detection. Submitted to ICIP2002.
Shengcai Liao, Xiangxin Zhu, Zhen
Lei, Lun Zhang and Stan Z. Li.Learning Multi-scale Block Local
Binary Patterns for Face Recognition. International Conference
on Biometrics (ICB), 2007, pp. 828-837.
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。如何用OpenCV训练自己的分类器_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
喜欢此文档的还喜欢
如何用OpenCV训练自己的分类器
需​要​利​用​O​P​E​N​C​V​的​h​a​a​r​t​r​a​i​n​i​n​g​进​行​定​位​的​话​,​用​A​d​a​b​o​o​s​t​方​法​是​个​不​错​的​选​择​,​该​文​档​详​细​介​绍​了​如​何​用​o​p​e​n​c​v​训​练​自​己​的​分​类​器
阅读已结束，如果下载本文需要使用
想免费下载本文？
把文档贴到Blog、BBS或个人站等：
普通尺寸(450*500pix)
较大尺寸(630*500pix)
你可能喜欢关于opencv加载分类器失败的问题
[问题点数：40分，结帖人timidsmile]
关于opencv加载分类器失败的问题
[问题点数：40分，结帖人timidsmile]
不显示删除回复
显示所有回复
显示星级回复
显示得分回复
只显示楼主
相关帖子推荐：
本帖子已过去太久远了，不再提供回复功能。扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
训练Haar分类器方法
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口