如何利用OpenCV自带的级联分类器训练程序训练分类器
如何利用OpenCV自带的级联分类器训练程序训练分类器
发布时间： 5:51:13
编辑：www.fx114.net
本篇文章主要介绍了"如何利用OpenCV自带的级联分类器训练程序训练分类器 "，主要涉及到如何利用OpenCV自带的级联分类器训练程序训练分类器 方面的内容，对于如何利用OpenCV自带的级联分类器训练程序训练分类器 感兴趣的同学可以参考一下。
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OpenCVobjdetect 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。参考：/article/4dcc8d946f197.html
利用自带的程序训练一个分类器，需要经过以下几个步骤：
（1）收集训练样本：
训练样本包括正样本和负样本。正样本，通俗点说，就是图片中只有你需要的目标。而负样本的图片只要其中不含有目标就可以了。但需要说明的是，负样本也并非随便选取的。例如，你需要检测的目标是汽车，那么正样本就应该是仅仅含有汽车的图片，而负样本显然不能是一些包含天空的，海洋的，风景的图片。因为你最终训练分类器的目的是检测汽车，而汽车应该出现在马路上。也就是说，分类器最终检测的图片应该是那些包含马路，交通标志，建筑物，广告牌，汽车，摩托车，三轮车，行人，自行车等在内的图片。很明显，这里的负样本应该是包含摩托车、三轮车、自行车、行人、路面、灌木丛、花草、交通标志、广告牌等。
另外，需要提醒的是，adaboost方法也是机器学习中的一个经典算法，而机器学习算法的前提条件是，测试样本和训练样本独立同分布。所谓的独立同分布，可以简单理解为：训练样本要和最终的应用场合非常接近或者一致。否则，基于机器学习的算法并不能保证算法的有效性。此外，足够的训练样本（至少得几千张正样本、几千张负样本）也是保证训练算法有效性的一个前提条件。
这里，假设所有的正样本都放在 /pos文件夹下，所有的负样本都放在 /neg文件夹下；
（2）对所有的正样本进行尺寸归一化：
上一步收集到的正样本，有很多的尺寸大小，有的是，有的是尺寸归一化的目的，就是把所有的图片都缩放到同一大小。比如，都缩放到的大小。（程序或者光影魔术手都可以）
（3）生成正样本描述文件：
所谓的正样本描述文件，其实就是一个文本文件，只不过，很多人喜欢将这个文件的后缀改成而已。正样本描述文件中的内容包括：文件名 目标个数 目标在图片中的位置（）典型的正样本描述文件如下所示：0.jpg 1 0 0 30 40….
假如，文件夹下有个正样本图片，每个图片中仅有一个目标。命令行下 dir /b & pos.dat生成一个文件作为正样本描述文件。
（4）创建正样本文件
由于训练的时候需要输入的正样本是文件，所以需要使用程序来将正样本转换为文件。（例如：）。
Createsamples程序的命令行参数：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。
（5） 创建负样本描述文件
在保存负样本的文件夹下生成一个负样本描述文件，具体步骤同（），此处不再赘叙；
（6）进行样本训练
该步骤通过调用目录下的程序新版本的改名为来完成。其中，的命令行参数为：－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&训练的级联分类器层数。－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。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
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。
（7） 生成文件
上一步在进行的时候，会在目录下生成一些目录及文件，我们需要调用opencv\bin\将这些文件转换为文件，也就是所谓的分类器。
至此，分类器的训练工作已完成。剩下的，就是在程序中加载文件，并调用相应的函数接口来实现分类检测的作用了。
其实这个方法有点老了，新一点有这个：http://blog.csdn.net/liulina603/article/details/8598681
一、不得利用本站危害国家安全、泄露国家秘密，不得侵犯国家社会集体的和公民的合法权益，不得利用本站制作、复制和传播不法有害信息！
二、互相尊重，对自己的言论和行为负责。
本文标题：
本页链接：}