OpenCV的级联分类器训练

使用增强级联的弱分类器包括两个主要阶段：训练和检测阶段。对象检测教程中有描述使用基于 HAAR 或 LBP 模型的检测阶段。这里主要介绍训练增强分类器级联所需的功能，包括：准备训练数据、执行实际模型训练、可视化训练。

一、训练数据准备

1、负样本

2、正样本

3、命令行参数

4、标注工具

二、级联训练

1、通用参数

2、级联参数

3、增强分类器参数

4、Haar-like特征参数

三、可视化级联分类器

一、训练数据准备

为了训练增强的弱分类器级联，需要一组正样本(包含想要检测的实际对象)和一组负样本(包含不想检测的所有内容)。负样本集合必须手动准备，而正样本集是使用 opencv_createsamples 应用程序创建的。

1、负样本

负样本取自任意图像，不包含要检测的对象。这些从中生成样本的图像应该放置于独立的文件中，每行包含一个图像路径。负样本图像也称为背景样本或背景图像。

所描述的图像可能具有不同的大小。但是，每个图像都应该等于或大于所需的训练窗口大小。

目录结构：

/imgimg1.jpgimg2.jpg
bg.txt

bg.txt主要是指定图像路径：

img/img1.jpg
img/img2.jpg

2、正样本

正样本由 opencv_createsamples 应用程序创建。增强过程使用它们来定义模型在尝试查找我们感兴趣的对象内容。支持两种生成正样本数据集的方法，建议采用第二种方法。

从单个正样本图像生成一系列正样本图像。
自己提供所有正样本，只使用该工具将它们剪切出来，调整它们的大小并将它们放入 opencv 所需的二进制格式。

3、命令行参数

命令行包括正样本路径、负样本路径、输出路径、样本宽高等，具体如下：

-vec <vec_file_name>: 训练结果输出路径；
-img <image_file_name>: 正样本路径；
-bg <background_file_name>: 负样本路径；
-num <number_of_samples>: 要生成的正样本数；
-bgcolor <background_color>: 背景色，即透明色；
-inv: 如果指定，颜色将反转；
-randinv: 如果指定，颜色将随机反转；
-maxxangle <max_x_rotation_angle>: 朝向 x 轴的最大旋转角度，单位弧度；
-maxxangle <max_y_rotation_angle>: 朝向 y 轴的最大旋转角度，单位弧度；
-maxxangle <max_z_rotation_angle>: 朝向 z 轴的最大旋转角度，单位弧度；
-show: 调试选项；
-w: 输出样本的宽度；
-h: 输出样本的高度；

当以这种方式运行 opencv_createsamples 时，以下过程用于创建样本对象实例：给定的源图像围绕所有三个轴随机旋转。所选角度受-maxxangle,-maxyangle和-maxzangle限制。白噪声被添加到前景的强度中。如果指定-inv，则前景像素强度会反转。最后，将获得的图像放置到背景描述文件中的任意背景上，调整宽高为-w和-h，并存储到由命令行指定路径-vec。

正样本也可以从先前标记的图像集合中获得，这是构建稳定对象模型时所需的方式。这个集合是由一个类似于背景描述文件的文本文件来描述的。该文件的每一行对应一个图像。该行的第一个元素是文件名，然后是对象注释的数量，然后是描述对象边界矩形坐标（x、y、宽度、高度）的数字，描述文件如下。

目录结构：

/imgimg1.jpgimg2.jpg
info.dat

info.dat中图像1包含一个矩形坐标，图像2包含2个矩形坐标，具体如下：

img/img1.jpg 1 140 100 45 45
img/img2.jpg 2 100 200 50 50 50 30 25 25

4、标注工具

OpenCV3.x以后，提供用于生成文件的开源注释工具-info，相关参数如下：

--annotations(必选): txt文件注释的路径，在里面存储注释；
--images(必选): 包含图像文件夹的路径；
--maxWindowHeight: 如果输入图像的高度大于这里限制的高度，会调整图像大小；
--resizeFactor：用于调整图像大小的因子；

命令行示例如下：

opencv_annotation --annotations=/xxx/annotations/file.txt --images=/xxx/image/

二、级联训练

在准备好正样本和负样本后，对弱分类器进行级联训练。opencv_traincascade命令按照功能用途划分。

1、通用参数

通用参数包括正负样本路径、正负样本数量、分类器输出路径、训练的级联阶段数，具体如下：

-data <cascade_dir_name>: 分类器的输出路径，文件夹需要提前创建；
-vec <vec_file_name>: 正样本文件路径；
-bg <background_file_name>: 负样本文件路径；
-numStages <number_of_stages>: 级联训练的阶段数；
-precalcValBufSize：预先计算的特征值的缓冲区大小(以 Mb 为单位)；
-precalcIdxBufSize：预先计算的特征索引的缓冲区大小(以 Mb 为单位);
-numThreads <max_number_of_threads>：训练使用的最大线程数；
-acceptanceRatioBreakValue：用于确定模型应保持学习的精度以及何时停止。默认为-1，禁用此功能。

2、级联参数

级联参数包括阶段类型、特征类型、样本宽高，具体如下：

-stageType <BOOST(默认)>: 阶段类型；
-featureType<{HAAR(默认), LBP}>: 特征类型：HAAR(Haar-like 特征)，LBP(局部二进制模式)；
-w <sampleWidth>：训练样本的宽度(以像素为单位)；
-h <sampleHeight>：训练样本的高度(以像素为单位)；

3、增强分类器参数

增强分类器参数包括分类器类型、最小命中率、最大误差率，具体如下：

-bt <{DAB, RAB, LB, GAB(默认)}>：增强分类器的类型：DAB(Discrete AdaBoost)，RAB (Real AdaBoost)，LB(LogitBoost)，GAB(Gentle AdaBoost)；
-minHitRate：分类器每个阶段的最小期望命中率；
-maxFalseAlarmRate：分类器每个阶段的最大期望误差率；
-weightTrimRate：是否使用修正权重，建议值为 0.95；
-maxDepth <max_depth_of_weak_tree>：弱树的最大深度，建议值为1；
-maxWeakCount <max_weak_tree_count>：每个级联阶段的弱树的最大数量；

4、Haar-like特征参数

Haar-like特征参数主要是指定特征集类型，具体如下：

-mode <BASIC(默认) | CORE | ALL>：选择训练中使用的 Haar 特征集的类型。其中BASIC 仅使用直立功能，而 ALL 使用直立和 45 度旋转功能集；

三、可视化级联分类器

可视化级联分类器用于在训练过程中，看到实时训练数据视图。OpenCV提供opencv_visualisation应用程序，相关命令如下：

--image(必选): 图像模型的路径；
--model(必选): 训练模型的路径；
--data(可选): 如果提供提前创建的数据文件夹，将存储每个阶段结果；

命令行示例如下：

opencv_visualisation --image=/data/object.png --model=/data/model.xml --data=/data/result/