转自：https://blog.csdn.net/wuxiaoyao12/article/details/39227189

好久没有来写blog了，学生生涯终结，就不好好总结了，今天把opencv里关于adaboost训练和检测的过程记录下来，方便别人也方便自己~~~啊哈哈~~~~

（2015.8.28更改，见绿色）

一、基础知识准备

首先，opencv目前仅支持三种特征的训练检测， HAAR、LBP、HOG，选择哪个特征就去补充哪个吧。opencv的这个训练算法是基于adaboost而来的，所以需要先对adaboost进行基础知识补充啊，网上一大堆资料，同志们速度去查阅。我的资源里也有，大家去下载吧，这些我想都不是大家能直接拿来用的，我下面将直接手把手告诉大家训练怎么操作，以及要注意哪些细节。

二、关于正样本的准备

1、采集正样本图片

因为正样本最后需要大小归一化，所以我在采集样本的时候就直接把它从原图里抠出来了，方便后面缩放嘛，而不是只保存它的框个数和框位置信息（框个数、框位置信息看下一步解释），在裁剪的过程中尽量保持样本的长宽比例一致。比如我最后要归一化成20 X 20，在裁剪样本的时候，我都是20X20或者21X21、22X22等等，最大我也没有超过30X30（不超过跟我的自身用途有关，对于人脸检测这种要保证缩放不变性的样本，肯定就可以超过啦），我资源里也给出可以直接用的裁剪样本程序。

（这里我说错了，根据createsamples.cpp ，我们不需要提前进行缩放操作，它在第3步变成vec时就包含了缩放工作.如果我们是用objectMaker标记样本，程序同时生成的关于每一幅图的samplesInfo信息，直接给第三步用即可。当然，你提前缩放了也没关系，按照第2步操作即可）

2、获取正样本路径列表

在你的图片文件夹里，编写一个bat程序（get route.bat，bat是避免每次都需要去dos框输入，那里又不能复制又不能粘贴！），如下所示：

运行bat文件，就会生成如下dat文件：

把这个dat文件中的所有非图片的路径都删掉，比如上图的头两行，再将bmp 替换成 bmp 1 0 0 20 20，如下：

（1代表个数，后四个分别对应 left top width height，如果我们之前不是把样本裁剪下来的，那么你的这个dat可能就长成这样1. bmp 3 1 3 24 24 26 28 25 25 60 80 26 26，1.bmp是完全的原图啊，你之前的样本就是从这张图上扣下来的）

3、获取供训练的vec文件

这里，我们得利用opencv里的一个程序叫opencv_createsamples.exe，可以把它拷贝出来。针对它的命令输入也是写成bat文件啦，因为cascade训练的时候用的是vec。如下：

运行bat，就在我们得pos文件夹里生成了如下vec文件：

就此有关正样本的东西准备结束。

（vec中其实就是保存的每一个sample图，并且已经统一w、h大小了，如果你想看所有的sample，也可以通过调用opencv_createsamples.exe，使用操作，见附）

三、关于负样本的准备

这个特别简单，直接拿原始图，不需要裁剪抠图（不裁剪还能保证样本的多样性），也不需要保存框（网上说只要保证比正样本大小大哈，大家就保证吧），只要把路径保存下来。同正样本类似，步骤图如下：

至此有关负样本的也准备完成。

四、开始训练吧

这里我们用opencv_traincascade.exe（opencv_haartraining.exe的用法跟这个很相似，具体需要输入哪些参数去看opencv的源码吧，网上资料也有很多，主要是opencv_traincascade.exe比opencv_haartraining.exe包含更多的特征，功能齐全些啊），直接上图：

命令输入也直接用bat文件，请务必保证好大小写一致，不然不予识别参数。小白兔，跑起来~~~

这是程序识别到的参数，没有错把，如果你哪个字母打错了，你就会发现这些参数会跟你预设的不一样啊，所以大家一定要看清楚了~~~~

跑啊跑啊跑啊跑，如下：

这一级的强训练器达到你预设的比例以后就跑去训练下一级了，同志们那个HR比例不要设置太高，不然会需要好多样本，然后stagenum不要设置太小啊，不然到时候拿去检测速度会很慢。

等这个bat跑结束，我的xml文件也生成了。如下：

其实这个训练可以中途停止的，因为下次开启时它会读取这些xml文件，接着进行上次未完成的训练。哈哈~~~~好人性化啊！

训练结束，我要到了我的cascade.xml文件，现在我要拿它去做检测了啊！呼呼~~~~

五、开始检测吧

opencv有个opencv_performance.exe程序用于检测，但是它只能用在用opencv_haartraining.exe来用的，所以我这里是针对一些列图片进行检测的，检测代码如下：

[cpp] view plaincopy
  1. #include <windows.h>
  2. #include <mmsystem.h>
  3. #include <stdio.h>
  4. #include <stdlib.h>
  5. #include "wininet.h"
  6. #include <direct.h>
  7. #include <string.h>
  8. #include <list>
  9. #pragma comment(lib,"Wininet.lib")
  10. #include "opencv2/objdetect/objdetect.hpp"
  11. #include "opencv2/highgui/highgui.hpp"
  12. #include "opencv2/imgproc/imgproc.hpp"
  13. #include "opencv2/ml/ml.hpp"
  14. #include <iostream>
  15. #include <stdio.h>
  16. using namespace std;
  17. using namespace cv;
  18. String cascadeName = "./cascade.xml";//训练数据
  19. struct PathElem{
  20. TCHAR   SrcImgPath[MAX_PATH*2];
  21. TCHAR   RstImgPath[MAX_PATH*2];
  22. };
  23. int FindImgs(char * pSrcImgPath, char * pRstImgPath, std::list<PathElem> &ImgList);
  24. int main( )
  25. {
  26. CascadeClassifier cascade;//创建级联分类器对象
  27. std::list<PathElem> ImgList;
  28. std::list<PathElem>::iterator pImgListTemp;
  29. vector<Rect> rects;
  30. vector<Rect>::const_iterator pRect;
  31. double scale = 1.;
  32. Mat image;
  33. double t;
  34. if( !cascade.load( cascadeName ) )//从指定的文件目录中加载级联分类器
  35. {
  36. cerr << "ERROR: Could not load classifier cascade" << endl;
  37. return 0;
  38. }
  39. int nFlag = FindImgs("H:/SrcPic/","H:/RstPic/", ImgList);
  40. if(nFlag != 0)
  41. {
  42. cout<<"Read Image  error !  Input 0 to exit \n";
  43. exit(0);
  44. }
  45. pImgListTemp = ImgList.begin();
  46. for(int iik = 1; iik <= ImgList.size(); iik++,pImgListTemp++)
  47. {
  48. image = imread(pImgListTemp->SrcImgPath);
  49. if( !image.empty() )//读取图片数据不能为空
  50. {
  51. Mat gray, smallImg( cvRound (image.rows/scale), cvRound(image.cols/scale), CV_8UC1 );//将图片缩小，加快检测速度
  52. cvtColor( image, gray, CV_BGR2GRAY );//因为用的是类haar特征，所以都是基于灰度图像的，这里要转换成灰度图像
  53. resize( gray, smallImg, smallImg.size(), 0, 0, INTER_LINEAR );//将尺寸缩小到1/scale,用线性插值
  54. equalizeHist( smallImg, smallImg );//直方图均衡
  55. //detectMultiScale函数中smallImg表示的是要检测的输入图像为smallImg，rects表示检测到的目标序列，1.1表示
  56. //每次图像尺寸减小的比例为1.1，2表示每一个目标至少要被检测到3次才算是真的目标(因为周围的像素和不同的窗口大
  57. //小都可以检测到目标),CV_HAAR_SCALE_IMAGE表示不是缩放分类器来检测，而是缩放图像，Size(30, 30)为目标的
  58. //最小最大尺寸
  59. rects.clear();
  60. printf( "begin...\n");
  61. t = (double)cvGetTickCount();//用来计算算法执行时间
  62. cascade.detectMultiScale(smallImg,rects,1.1,2,0,Size(20,20),Size(30,30));
  63. //|CV_HAAR_FIND_BIGGEST_OBJECT//|CV_HAAR_DO_ROUGH_SEARCH|CV_HAAR_SCALE_IMAGE,
  64. t = (double)cvGetTickCount() - t;
  65. printf( "detection time = %g ms\n\n", t/((double)cvGetTickFrequency()*1000.) );
  66. for(pRect = rects.begin(); pRect != rects.end(); pRect++)
  67. {
  68. rectangle(image,cvPoint(pRect->x,pRect->y),cvPoint(pRect->x+pRect->width,pRect->y+pRect->height),cvScalar(0,255,0));
  69. }
  70. imwrite(pImgListTemp->RstImgPath,image);
  71. }
  72. }
  73. return 0;
  74. }
  75. int FindImgs(char * pSrcImgPath, char * pRstImgPath, std::list<PathElem> &ImgList)
  76. {
  77. //源图片存在的目录
  78. TCHAR   szFileT1[MAX_PATH*2];
  79. lstrcpy(szFileT1,TEXT(pSrcImgPath));
  80. lstrcat(szFileT1, TEXT("*.*"));
  81. //结果图片存放的目录
  82. TCHAR   RstAddr[MAX_PATH*2];
  83. lstrcpy(RstAddr,TEXT(pRstImgPath));
  84. _mkdir(RstAddr);   //创建文件夹
  85. WIN32_FIND_DATA   wfd;
  86. HANDLE   hFind   =   FindFirstFile(szFileT1, &wfd);
  87. PathElem stPathElemTemp;
  88. if(hFind != INVALID_HANDLE_VALUE)
  89. {
  90. do
  91. {
  92. if(wfd.cFileName[0] == TEXT('.'))
  93. continue;
  94. if(wfd.dwFileAttributes & FILE_ATTRIBUTE_DIRECTORY || strcmp("Thumbs.db", TEXT(wfd.cFileName)) == 0)
  95. {
  96. ;
  97. }
  98. else
  99. {
  100. TCHAR   SrcImgPath[MAX_PATH*2];
  101. lstrcpy(SrcImgPath, pSrcImgPath);
  102. lstrcat(SrcImgPath, TEXT(wfd.cFileName));
  103. lstrcpy(stPathElemTemp.SrcImgPath, SrcImgPath);
  104. TCHAR   AdressTemp[MAX_PATH*2];
  105. lstrcpy(AdressTemp,pRstImgPath);
  106. //lstrcat(AdressTemp, TEXT("/"));
  107. lstrcat(AdressTemp, TEXT(wfd.cFileName));
  108. lstrcpy(stPathElemTemp.RstImgPath, AdressTemp);
  109. ImgList.push_back(stPathElemTemp);
  110. }
  111. }while(FindNextFile(hFind, &wfd));
  112. }
  113. else
  114. {
  115. return -1;
  116. }
  117. return 0;
  118. }

自己看看自己的检测结果咯。效果不好的改进样本，调整训练参数吧~~~嘎嘎

我觉得我写的够白痴，很方便大家直接拿来用。其中一些细节，大家自己琢磨吧~88

附：

1、opencv_createsamples.exe的参数

（createsamples.cpp）

[cpp] view plaincopy
  1. "  [-info <collection_file_name>]\n"
  2. "  [-img <image_file_name>]\n"
  3. "  [-vec <vec_file_name>]\n"
  4. "  [-bg <background_file_name>]\n  [-num <number_of_samples = %d>]\n"
  5. "  [-bgcolor <background_color = %d>]\n"
  6. "  [-inv] [-randinv] [-bgthresh <background_color_threshold = %d>]\n"
  7. "  [-maxidev <max_intensity_deviation = %d>]\n"
  8. "  [-maxxangle <max_x_rotation_angle = %f>]\n"
  9. "  [-maxyangle <max_y_rotation_angle = %f>]\n"
  10. "  [-maxzangle <max_z_rotation_angle = %f>]\n"
  11. "  [-show [<scale = %f>]]\n"
  12. "  [-w <sample_width = %d>]\n  [-h <sample_height = %d>]\n"//默认24*24

以下1）~4）是按顺序判断，且有且仅有一个

1）提供imagename 和vecname时，调用以下操作

[cpp] view plaincopy
  1. /*
  2. * cvCreateTrainingSamples
  3. *
  4. * Create training samples applying random distortions to sample image and
  5. * store them in .vec file
  6. *
  7. * filename        - .vec file name
  8. * imgfilename     - sample image file name
  9. * bgcolor         - background color for sample image
  10. * bgthreshold     - background color threshold. Pixels those colors are in range
  11. *   [bgcolor-bgthreshold, bgcolor+bgthreshold] are considered as transparent
  12. * bgfilename      - background description file name. If not NULL samples
  13. *   will be put on arbitrary background
  14. * count           - desired number of samples
  15. * invert          - if not 0 sample foreground pixels will be inverted
  16. *   if invert == CV_RANDOM_INVERT then samples will be inverted randomly
  17. * maxintensitydev - desired max intensity deviation of foreground samples pixels
  18. * maxxangle       - max rotation angles
  19. * maxyangle
  20. * maxzangle
  21. * showsamples     - if not 0 samples will be shown
  22. * winwidth        - desired samples width
  23. * winheight       - desired samples height
  24. */

2）提供imagename、bgfilename和infoname时
与1）类似
3）提供 infoname和 vecname时，调用以下操作 （这里是我们训练需要的）

[cpp] view plaincopy
  1. /*
  2. * cvCreateTrainingSamplesFromInfo
  3. *
  4. * Create training samples from a set of marked up images and store them into .vec file
  5. * infoname    - file in which marked up image descriptions are stored
  6. * num         - desired number of samples
  7. * showsamples - if not 0 samples will be shown
  8. * winwidth    - sample width
  9. * winheight   - sample height
  10. *
  11. * Return number of successfully created samples
  12. */
  13. int cvCreateTrainingSamplesFromInfo( const char* infoname, const char* vecfilename,
  14. int num,
  15. int showsamples,
  16. int winwidth, int winheight )

函数内容：读取当前图中所有标记的sample（x,y,w,h），并将其缩放到winwidth、winheight大小，故在这之前的人为缩放操作不需要

（可以看到，仅需要num、w、h参数）
4）仅vecname时，可以将vec里面的所有缩放后的samples都显示出来

[cpp] view plaincopy
  1. /*
  2. * cvShowVecSamples
  3. *
  4. * Shows samples stored in .vec file
  5. *
  6. * filename
  7. *   .vec file name
  8. * winwidth
  9. *   sample width
  10. * winheight
  11. *   sample height
  12. * scale
  13. *   the scale each sample is adjusted to（这个scale与3中的缩放不是一回事，这里仅为了显示而再次缩放）
  14. */
  15. void cvShowVecSamples( const char* filename, int winwidth, int winheight, double scale );

2、opencv_haartraining.exe的参数

（haartraining.cpp ）

[cpp] view plaincopy
  1. "  -data <dir_name>\n"
  2. "  -vec <vec_file_name>\n"
  3. "  -bg <background_file_name>\n"
  4. "  [-bg-vecfile]\n"
  5. "  [-npos <number_of_positive_samples = %d>]\n"
  6. "  [-nneg <number_of_negative_samples = %d>]\n"
  7. "  [-nstages <number_of_stages = %d>]\n"
  8. "  [-nsplits <number_of_splits = %d>]\n"
  9. "  [-mem <memory_in_MB = %d>]\n"
  10. "  [-sym (default)] [-nonsym]\n"
  11. "  [-minhitrate <min_hit_rate = %f>]\n"
  12. "  [-maxfalsealarm <max_false_alarm_rate = %f>]\n"
  13. "  [-weighttrimming <weight_trimming = %f>]\n"
  14. "  [-eqw]\n"
  15. "  [-mode <BASIC (default) | CORE | ALL>]\n"
  16. "  [-w <sample_width = %d>]\n"
  17. "  [-h <sample_height = %d>]\n"
  18. "  [-bt <DAB | RAB | LB | GAB (default)>]\n"
  19. "  [-err <misclass (default) | gini | entropy>]\n"
  20. "  [-maxtreesplits <max_number_of_splits_in_tree_cascade = %d>]\n"
  21. "  [-minpos <min_number_of_positive_samples_per_cluster = %d>]\n"

3、opencv_performance.exe参数

（performance.cpp ）

[cpp] view plaincopy
  1. "  -data <classifier_directory_name>\n"
  2. "  -info <collection_file_name>\n"
  3. "  [-maxSizeDiff <max_size_difference = %f>]\n"
  4. "  [-maxPosDiff <max_position_difference = %f>]\n"
  5. "  [-sf <scale_factor = %f>]\n"
  6. "  [-ni <saveDetected = 0>]\n"
  7. "  [-nos <number_of_stages = %d>]\n"
  8. "  [-rs <roc_size = %d>]\n"
  9. "  [-w <sample_width = %d>]\n"
  10. "  [-h <sample_height = %d>]\n"

4、opencv_traincascade.exe参数说明

——traincascade.cpp

[cpp] view plaincopy
  1. cout << "Usage: " << argv[0] << endl;
  2. cout << "  -data <cascade_dir_name>" << endl;
  3. cout << "  -vec <vec_file_name>" << endl;
  4. cout << "  -bg <background_file_name>" << endl;
  5. cout << "  [-numPos <number_of_positive_samples = " << numPos << ">]" << endl;   //默认2000
  6. cout << "  [-numNeg <number_of_negative_samples = " << numNeg << ">]" << endl;   //默认1000
  7. cout << "  [-numStages <number_of_stages = " << numStages << ">]" << endl;   //默认20
  8. cout << "  [-precalcValBufSize <precalculated_vals_buffer_size_in_Mb = " << precalcValBufSize << ">]" << endl;//默认256
  9. cout << "  [-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb = " << precalcIdxBufSize << ">]" << endl;//默认256
  10. cout << "  [-baseFormatSave]" << endl;                     //是否按照旧版存xml文件默认false
  11. // cout << "  [-numThreads <max_number_of_threads = " << numThreads << ">]" << endl;//这个参数在3.0版本中才出现，默认numThreads = getNumThreads();
  12. // cout << "  [-acceptanceRatioBreakValue <value> = " << acceptanceRatioBreakValue << ">]" << endl;//这个参数在3.0版本中才出现，默认-1.0
  13. cascadeParams.printDefaults();
  14. stageParams.printDefaults();
  15. for( int fi = 0; fi < fc; fi++ )
  16. featureParams[fi]->printDefaults();

其中cascadeParams.printDefaults();——cascadeclassifier.cpp 如下

[cpp] view plaincopy
  1. cout << "  [-stageType <";                                                 //默认BOOST
  2. for( int i = 0; i < (int)(sizeof(stageTypes)/sizeof(stageTypes[0])); i++ )
  3. {
  4. cout << (i ? " | " : "") << stageTypes[i];
  5. if ( i == defaultStageType )
  6. cout << "(default)";
  7. }
  8. cout << ">]" << endl;
  9. cout << "  [-featureType <{";                                              //默认HAAR
  10. for( int i = 0; i < (int)(sizeof(featureTypes)/sizeof(featureTypes[0])); i++ )
  11. {
  12. cout << (i ? ", " : "") << featureTypes[i];
  13. if ( i == defaultStageType )
  14. cout << "(default)";
  15. }
  16. cout << "}>]" << endl;
  17. cout << "  [-w <sampleWidth = " << winSize.width << ">]" << endl;        //默认24*24
  18. cout << "  [-h <sampleHeight = " << winSize.height << ">]" << endl;

stageParams.printDefaults();——boost.cpp如下

[cpp] view plaincopy
  1. cout << "--boostParams--" << endl;
  2. cout << "  [-bt <{" << CC_DISCRETE_BOOST << ", "
  3. << CC_REAL_BOOST << ", "
  4. << CC_LOGIT_BOOST ", "
  5. << CC_GENTLE_BOOST << "(default)}>]" << endl;                         //默认CC_GENTLE_BOOST
  6. cout << "  [-minHitRate <min_hit_rate> = " << minHitRate << ">]" << endl;                 //默认0.995
  7. cout << "  [-maxFalseAlarmRate <max_false_alarm_rate = " << maxFalseAlarm << ">]" << endl;//默认0.5
  8. cout << "  [-weightTrimRate <weight_trim_rate = " << weight_trim_rate << ">]" << endl;    //默认0.95
  9. cout << "  [-maxDepth <max_depth_of_weak_tree = " << max_depth << ">]" << endl;           //默认1
  10. cout << "  [-maxWeakCount <max_weak_tree_count = " << weak_count << ">]" << endl;         //默认100

featureParams[fi]->printDefaults();——haarfeatures.cpp 如下

[cpp] view plaincopy
  1. cout << "  [-mode <" CC_MODE_BASIC << "(default)| "  //默认CC_MODE_BASIC
  2. << CC_MODE_CORE <<" | " << CC_MODE_ALL << endl;

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（正样本被判成正样本的比例）。总的检测率大约为 min_hit_rate^number_of_stages。可以设很高，如0.999

-maxFalseAlarmRate<max_false_alarm_rate>

分类器的每一级希望得到的最大误检率（负样本被判成正样本的比例）。总的误检率大约为 max_false_alarm_rate^number_of_stages。可以设较低，如0.5

-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

5、detectMultiScale函数参数说明

该函数会在输入图像的不同尺度中检测目标：

image  -输入的灰度图像，

objects  -被检测到的目标矩形框向量组，

scaleFactor  -为每一个图像尺度中的尺度参数，默认值为1.1

minNeighbors  -为每一个级联矩形应该保留的邻近个数，默认为3,表示至少有3次检测到目标，才认为是目标

flags -CV_HAAR_DO_CANNY_PRUNING,利用Canny边缘检测器来排除一些边缘很少或者很多的图像区域;

CV_HAAR_SCALE_IMAGE,按比例正常检测;

CV_HAAR_FIND_BIGGEST_OBJECT,只检测最大的物体;

CV_HAAR_DO_ROUGH_SEARCH,只做粗略检测。默认值是0

minSize和maxSize -用来限制得到的目标区域的范围(先找maxsize，再用1.1参数缩小,直到小于minSize终止检测）

6、opencv关于Haar介绍

（haarfeatures.cpp ——opencv3.0）

Detailed Description

Haar Feature-based Cascade Classifier for Object Detection

The object detector described below has been initially proposed by Paul Viola [pdf] and improved by Rainer Lienhart [pdf] .

First, a classifier (namely a cascade of boosted classifiers working with haar-like features) is trained with a few hundred sample views of a particular object (i.e., a face or a car), called positive examples, that are scaled to the same size (say, 20x20), and negative examples - arbitrary images of the same size.

After a classifier is trained, it can be applied to a region of interest (of the same size as used during the training) in an input image. The classifier outputs a "1" if the region is likely to show the object (i.e., face/car), and "0" otherwise. To search for the object in the whole image one can move the search window across the image and check every location using the classifier. The classifier is designed so that it can be easily "resized" in order to be able to find the objects of interest at different sizes, which is more efficient than resizing the image itself. So, to find an object of an unknown size in the image the scan procedure should be done several times at different scales.

The word "cascade" in the classifier name means that the resultant classifier consists of several simpler classifiers (stages) that are applied subsequently to a region of interest until at some stage the candidate is rejected or all the stages are passed. The word "boosted" means that the classifiers at every stage of the cascade are complex themselves and they are built out of basic classifiers using one of four different boosting techniques (weighted voting). Currently Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost are supported. The basic classifiers are decision-tree classifiers with at least 2 leaves. Haar-like features are the input to the basic classifiers, and are calculated as described below. The current algorithm uses the following Haar-like features:

image

The feature used in a particular classifier is specified by its shape (1a, 2b etc.), position within the region of interest and the scale (this scale is not the same as the scale used at the detection stage, though these two scales are multiplied). For example, in the case of the third line feature (2c) the response is calculated as the difference between the sum of image pixels under the rectangle covering the whole feature (including the two white stripes and the black stripe in the middle) and the sum of the image pixels under the black stripe multiplied by 3 in order to compensate for the differences in the size of areas. The sums of pixel values over a rectangular regions are calculated rapidly using integral images (see below and the integral description).

To see the object detector at work, have a look at the facedetect demo: https://github.com/Itseez/opencv/tree/master/samples/cpp/dbt_face_detection.cpp

The following reference is for the detection part only. There is a separate application called opencv_traincascade that can train a cascade of boosted classifiers from a set of samples.

Note

In the new C++ interface it is also possible to use LBP (local binary pattern) features in addition to Haar-like features. .. [Viola01] Paul Viola and Michael J. Jones. Rapid Object Detection using a Boosted Cascade of Simple Features. IEEE CVPR, 2001. The paper is available online at https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf（上述有提到）

7、opencv关于boost

(boost.cpp——opencv3.0)

Boosting

A common machine learning task is supervised learning. In supervised learning, the goal is to learn the functional relationship  between the input  and the output  . Predicting the qualitative output is called classification, while predicting the quantitative output is called regression.

Boosting is a powerful learning concept that provides a solution to the supervised classification learning task. It combines the performance of many "weak" classifiers to produce a powerful committee [125] . A weak classifier is only required to be better than chance, and thus can be very simple and computationally inexpensive. However, many of them smartly combine results to a strong classifier that often outperforms most "monolithic" strong classifiers such as SVMs and Neural Networks.

Decision trees are the most popular weak classifiers used in boosting schemes. Often the simplest decision trees with only a single split node per tree (called stumps ) are sufficient.

The boosted model is based on  training examples  with  and  .  is a  -component vector. Each component encodes a feature relevant to the learning task at hand. The desired two-class output is encoded as -1 and +1.

Different variants of boosting are known as Discrete Adaboost, Real AdaBoost, LogitBoost, and Gentle AdaBoost [49] . All of them are very similar in their overall structure. Therefore, this chapter focuses only on the standard two-class Discrete AdaBoost algorithm, outlined below. Initially the same weight is assigned to each sample (step 2). Then, a weak classifier  is trained on the weighted training data (step 3a). Its weighted training error and scaling factor  is computed (step 3b). The weights are increased for training samples that have been misclassified (step 3c). All weights are then normalized, and the process of finding the next weak classifier continues for another  -1 times. The final classifier  is the sign of the weighted sum over the individual weak classifiers (step 4).

Two-class Discrete AdaBoost Algorithm

  • Set  examples  with  .
  • Assign weights as  .
  • Repeat for  :
    • Fit the classifier , using weights  on the training data.
    • Compute  .
    • Set  and renormalize so that  .
  • Classify new samples x using the formula:  .
Note
Similar to the classical boosting methods, the current implementation supports two-class classifiers only. For M > 2 classes, there is theAdaBoost.MH algorithm (described in [49]) that reduces the problem to the two-class problem, yet with a much larger training set.

To reduce computation time for boosted models without substantially losing accuracy, the influence trimming technique can be employed. As the training algorithm proceeds and the number of trees in the ensemble is increased, a larger number of the training samples are classified correctly and with increasing confidence, thereby those samples receive smaller weights on the subsequent iterations. Examples with a very low relative weight have a small impact on the weak classifier training. Thus, such examples may be excluded during the weak classifier training without having much effect on the induced classifier. This process is controlled with the weight_trim_rate parameter. Only examples with the summary fraction weight_trim_rate of the total weight mass are used in the weak classifier training. Note that the weights for all training examples are recomputed at each training iteration. Examples deleted at a particular iteration may be used again for learning some of the weak classifiers further [49]

See also
cv::ml::Boost

Prediction with Boost

StatModel::predict(samples, results, flags) should be used. Pass flags=StatModel::RAW_OUTPUT to get the raw sum from Boost classifier.

8、关于训练过程打印信息的解释

1）POS count : consumed   n1 : n2

每次都调用updateTrainingSet( requiredLeafFARate, tempLeafFARate );函数

[cpp] view plaincopy
  1. bool CvCascadeClassifier::updateTrainingSet( double minimumAcceptanceRatio, double& acceptanceRatio)
  2. {
  3. int64 posConsumed = 0, negConsumed = 0;
  4. imgReader.restart();
  5. int posCount = fillPassedSamples( 0, numPos, true, 0, posConsumed );//Consumed消耗
  6. if( !posCount )
  7. return false;
  8. cout << "POS count : consumed   " << posCount << " : " << (int)posConsumed << endl;//这就是打印信息，我的理解是这个stage判成正样本数和正样本数
  9. int proNumNeg = cvRound( ( ((double)numNeg) * ((double)posCount) ) / numPos ); // apply only a fraction of negative samples. double is required since overflow is possible
  10. int negCount = fillPassedSamples( posCount, proNumNeg, false, minimumAcceptanceRatio, negConsumed );
  11. if ( !negCount )
  12. return false;
  13. curNumSamples = posCount + negCount;
  14. acceptanceRatio = negConsumed == 0 ? 0 : ( (double)negCount/(double)(int64)negConsumed );
  15. cout << "NEG count : acceptanceRatio    " << negCount << " : " << acceptanceRatio << endl;//打印信息，我的理解是
  16. return true;
  17. }
[cpp] view plaincopy
  1. int CvCascadeClassifier::fillPassedSamples( int first, int count, bool isPositive, double minimumAcceptanceRatio, int64& consumed )
  2. {
  3. int getcount = 0;
  4. Mat img(cascadeParams.winSize, CV_8UC1);
  5. for( int i = first; i < first + count; i++ )
  6. {
  7. for( ; ; )
  8. {
  9. if( consumed != 0 && ((double)getcount+1)/(double)(int64)consumed <= minimumAcceptanceRatio )
  10. return getcount;
  11. bool isGetImg = isPositive ? imgReader.getPos( img ) :
  12. imgReader.getNeg( img );
  13. if( !isGetImg )
  14. return getcount;
  15. consumed++;
  16. featureEvaluator->setImage( img, isPositive ? 1 : 0, i );
  17. if( predict( i ) == 1.0F )
  18. {
  19. getcount++;
  20. printf("%s current samples: %d\r", isPositive ? "POS":"NEG", getcount);
  21. break;
  22. }
  23. }
  24. }
  25. return getcount;
  26. }
[cpp] view plaincopy
  1. int CvCascadeClassifier::predict( int sampleIdx )
  2. {
  3. CV_DbgAssert( sampleIdx < numPos + numNeg );
  4. for (vector< Ptr<CvCascadeBoost> >::iterator it = stageClassifiers.begin();
  5. it != stageClassifiers.end(); it++ )
  6. {
  7. if ( (*it)->predict( sampleIdx ) == 0.f )
  8. return 0;
  9. }
  10. return 1;
  11. }
[cpp] view plaincopy
  1. float CvCascadeBoost::predict( int sampleIdx, bool returnSum ) const
  2. {
  3. CV_Assert( weak );
  4. double sum = 0;
  5. CvSeqReader reader;
  6. cvStartReadSeq( weak, &reader );
  7. cvSetSeqReaderPos( &reader, 0 );
  8. for( int i = 0; i < weak->total; i++ )
  9. {
  10. CvBoostTree* wtree;
  11. CV_READ_SEQ_ELEM( wtree, reader );
  12. sum += ((CvCascadeBoostTree*)wtree)->predict(sampleIdx)->value;
  13. }
  14. if( !returnSum )
  15. sum = sum < threshold - CV_THRESHOLD_EPS ? 0.0 : 1.0;
  16. return (float)sum;
  17. }

opencv 级联分类器相关推荐

  1. OpenCV级联分类器Cascade Classifier

    OpenCV级联分类器Cascade Classifier 级联分类器Cascade Classifier 目标 理论 OpenCV中的Haar级联检测 结果 级联分类器Cascade Classif ...

  2. C#，人工智能，深度学习，目标检测，OpenCV级联分类器数据集的制作与《层级分类器一键生成器》源代码

    一.目标识别技术概述 1.摘要 目标检测是计算机视觉中最基本和最具挑战性的问题之一,它试图从自然图像中的大量预定义类别中定位目标实例.深度学习技术已成为直接从数据中学习特征表示的强大策略,并在通用目标 ...

  3. OpenCV级联分类器训练与使用实战教程-贾志刚-专题视频课程

    OpenCV级联分类器训练与使用实战教程-1012人已学习 课程介绍         基于OpenCV新版本3.1.0详细讲述了HAAR与LBP级联分类器的基本原理与使用技巧,通过视频中人脸实时检测与 ...

  4. opencv级联分类器快速训练工具傻瓜式训练软件教程

    opencv级联分类器训练一般需要理解参数含义和基本原理,然后还要写基本转换图片和标注化数据集,今天我为大家一个小工具,只需要导入图片就可以快读训练自己的模型,而且不需要写任何代码,傻瓜式操作,不用配 ...

  5. opencv级联分类器（linux系统)

    1.概述 级联分类器这个坑早该挖的了,由于本人之前使用的是win10系统家庭版的某种关系,并没有成功训练出xml,趁着换了Linux和比赛需要就再次挖挖坑,这里用到的是Opencv自带的两个分类器来训 ...

  6. Opencv级联分类器实现人脸识别

    在本章中,我们将学习如何使用OpenCV使用系统相机捕获帧.org.opencv.videoio包的VideoCapture类包含使用相机捕获视频的类和方法.让我们一步一步学习如何捕捉帧 - 第1步: ...

  7. 基于OpenCV Haar实战级联分类器的使用

    点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 近年来,对象检测引起了广泛的关注.从智能手机到交通监控,目标检测已 ...

  8. 【OpenCV】 级联分类器训练模型

    目录 一:OpenCV级联分类器概念 二:OpenCV级联分类器操作步骤 三:样本采集工作原理分析一 四:样本采集工作原理分析二 五:创建自己的级联分类器 5.1 创建自己的级联分类器第一步 5.2 ...

  9. Haar+Adaboost级联分类器分解（三）：利用并查集合并检测结果窗口

    转载:http://www.aichengxu.com/view/1501260 前一篇文章分析了OpenCV级联分类器结构,即"强分类器串联,弱分类器并联",这一节我们来聊聊 ...

最新文章

  1. linux 进程相关
  2. des加密解密JAVA与.NET互通实例
  3. solr搭建分布式搜索引擎
  4. 如何处理SAP gateway service使用过程中遇到的400 error - invalid key predicate type for guid
  5. CS224n学习笔记1-nlp介绍和词向量
  6. 编译型与解释型、动态语言与静态语言、强类型语言与弱类型语言概念辨析
  7. 用蒙特卡洛求pi_蒙特卡洛算法（MCS）及其MATLAB实现
  8. 小目标三、存储数据的表结构
  9. ARCGIS 拓扑规则阐述
  10. SQL数值计算函数之round（X,D）
  11. Mac不再丝滑？这些有用的方法了解一下
  12. 我在公司内部的分享（秒针系统）
  13. IAR for MSP430安装教程
  14. 厦门市大专计算机学校有哪些,2021厦门公办大专学校有哪些 【教育部专科院校名单】...
  15. kettle 教程（一）：简介及入门
  16. 怎么将mov格式转换成mp4？
  17. Install Cypress
  18. Spring系列第2篇：控制反转（IoC）与依赖注入（DI），晦涩难懂么？
  19. 星起航：抖音小店如何提高店铺评分？
  20. 安卓苹果手机抓取京东cookie

热门文章

  1. 黑莓z10 android,黑莓(BlackBerry)Z10手机系统介绍评测-ZOL中关村在线
  2. 对比Google翻译、百度翻译和有道翻译
  3. 怎样判断一个P2P平台是否靠谱?
  4. 微信功能介绍微信二维码，DIV宣传页
  5. 基于RFID技术的预制件管理系统的开发
  6. 基于django搭建收集QQ账号和密码系统
  7. 开发人员常用的ID网站整理！
  8. APP被工信部下架了怎么办？重新上架流程分享
  9. Begin UIQ 3.0
  10. ajax仿百度搜索效果,利用autocomplete.js实现仿百度搜索效果（ajax动态获取后端[C#]数据）...