车辆检测（视觉分类器训练） ------------------原创作品

使用同样的方法，你可以训练自己的识别物体。

一、准备训练数据

训练需要一定数量样本。样本分两类：负样本和正样本。负样本是指不包含物体的图像。正样本是需要检测的物体的图像（最好不要包含其他图像，避免正样本干扰，提高训练正确性），负样本需要手工准备，大小没有要求，只要不要包含需要检测的物体就行。

正样本可以只要几张，其余的可通过 opencv_createsamples 创建，这个函数是怎么创建其他正样本的呢？通过将现有的图像进行X,Y,Z方向的旋转和背景颜色一系列随机变化产生。

开始正题，首先准备训练数据，创建一个cartraining文件夹，所有的训练工作在里面进行。

1、负样本准备

负样本照片都放在cartraining/negative_gray目录，负样本最好都是用灰度图像，可提高样本训练速度。若你的图像不是灰度图像，请是用我的图像处理程序,原始图片放在negative文件夹中，处理后的图片会在negative_gray文件夹中生成。

// An highlighted block
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <iostream>
#include <stdio.h>
using namespace cv;
using namespace std;
int main(int argc, char* argv[])
{Mat src_img,gray_image,src_result;int i,j=0;char src_img_name[40]={0},dst_img_name[40]={0};//负样本图像处理，INT PICNUM=100; //需修改下面的图片数量for(i=1;i<=PICNUM;i++){src_img_name[40]={0},dst_img_name[40]={0};sprintf(src_img_name,"cartraining/negative/%d.jpg",i);  cout<<src_img_name<<endl;src_img=imread(src_img_name,1);if(src_img.empty()) continue;cvtColor( src_img, gray_image, CV_BGR2GRAY ); j++;sprintf(dst_img_name,"cartraining/negative_gray/neg_%d.jpg",j);  cout<<"write:"<<dst_img_name<<endl;imwrite(dst_img_name,gray_image);}
}

图片:

在与negative_gray同一级目录创建neg.txt文件，内容包含里面的每张图片；
创建方法可在windows中使用CMD进入dos，在图像目录下执行dir /b >neg.txt生成neg.txt文件，neg.txt文件在cartraining目录中。然后再替换成如下形式（图像顺序不管）：（特别注意 windows下生成的路径与Linux中斜杠方向是相反的）

2、正样本准备

下面准备正样本图片，正样本图片必须满足图片尺寸大小相同，一般为30X30大小，且同样为灰度图片，图片中尽量避免其他物体出现。我的正样本图像存放在cartraining/positive_small_size目录。原始准备的彩色图片在cartraining/positive目录，需要使用我的图片处理程序获得正样本图像：

同样方法准备正样本，在windows中使用CMD进入dos，图像目录下执行dir /b >pos.txt生成pos.txt文件, pos.txt文件在cartraining目录中。与neg.txt不同的是，后面需要跟一些数据参数，数据参数同样使用替换的方式追加。
下面说下参数意义：1 表示该图片只有一个检测图像，0 0 为检测图像起点 30 30 为检测图像长度和宽度。

3、获得正样本描述文件
使用opencv_createsamples程序获得正样本描述符。opencv_createsamples 函数的参数如下：
• -vec <vec_file_name>
输出文件，也叫正样本描述文件，后面训练需要。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>
• -inv
如果指定该标志，前景图像的颜色将翻转。
• -randinv
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。
• -show
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）。
使用opencv_createsamples命令获取正样本的样本描述符用于训练，命令如下：

./opencv_createsamples –vec pos.vec –info pos.txt –num  507 –w 30 –h 30

参数说明：–vec pos.vec 用于指定样本描述文件的输出名称
–info pos.txt 正样本信息文件
–num 507 正样本数目为507张
–w 30 –h 30 样本宽度和高度都为30
命令结束后，会生产pos.vec文件，下面将用该文件进行训练。

上述命令是在LINUX中的使用，在windows中方法类似。
进行车辆识别所需要用到的资源如下：
'工具组链接：' https://download.csdn.net/download/xfjy2010/11205487
链接是Linux的训练工具组，包含正样本处理程序（正样本处理程序需要make 命令自己编译）、样本创建程序opencv_createsamples和训练程序opencv_traincascade ：

'样本原始资源获取：' https://download.csdn.net/download/xfjy2010/11205471

如果觉得处理样本图片麻烦，当然也有处理好后的样本图片，可以直接用于训练
处理后的可直接用于训练的样本：' https://download.csdn.net/download/xfjy2010/11205479

二、样本训练

训练使用opencv_traincascade 命令，opencv_traincascade 的命令行参数，以用途分组介绍：

通用参数：
o -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。
o -vec <vec_file_name>
包含正样本的vec文件名（由 opencv_createsamples 程序生成）。
o -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。
o -numPos <number_of_positive_samples>
每级分类器训练时所用的正样本数目。
o -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。
o -numStages <number_of_stages>
训练的分类器的级数。
o -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。
o -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。
o -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：
o -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。
o -featureType<{HAAR(default), LBP}>
特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征。
o -w
o -h
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。
该命令参数很多，用到的就那么几个。

在cartraining目录下执行：

./opencv_traincascade –data  xml  –vec pos.vec –bg neg.txt –numPos 400 –numNeg 1044 –w 30 –h 30

参数说明：
–data xml 训练产生的数据文件到xml文件夹下，在该文件夹下将产生所需的分类器文件,
–vec pos.vec 正样本描述文件
–bg neg.txt 负样本的信息文件
–numPos 400 正样本数目（注意：数目最好是你所准备的正样本数目的80%左右，原因在于每高一层训练，算法会增加正样本数目，不然后面训练的层级高了以后，就会报错）
–numNeg 1044 负样本数目
–w 30 –h 30 训练样本长宽，必须和创建的正样本一致。

执行训练命令，训练时间为大约为6个小时的样子，训练层级为19层，在xml文件夹下将产生分类器，cascade.xml为我们最终需要的分类器，其他的是中间层级产生的分类器文件。若训练中途断掉，可以使用它们接着训练。

训练好的XML分类器下载：' https://download.csdn.net/download/xfjy2010/11205491

三、效果检验：

正样本数量507张，负样本1044张，得到的分类器效果还是不错，若要达到更好的效果，可以提高样本数量，训练层级也进行提高。

测试代码如下：

#include "opencv2/objdetect.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>using namespace std;
using namespace cv;static void help()
{cout << "\nThis program demonstrates the use of cv::CascadeClassifier class to detect objects (Face + eyes). You can use Haar or LBP features.\n""This classifier can recognize many kinds of rigid objects, once the appropriate classifier is trained.\n""It's most known use is for faces.\n""Usage:\n""./facedetect [--cascade=<cascade_path> this is the primary trained classifier such as frontal face]\n""   [--nested-cascade[=nested_cascade_path this an optional secondary classifier such as eyes]]\n""   [--scale=<image scale greater or equal to 1, try 1.3 for example>]\n""   [--try-flip]\n""   [filename|camera_index]\n\n""see facedetect.cmd for one call:\n""./facedetect --cascade=\"../../data/haarcascades/haarcascade_frontalface_alt.xml\" --nested-cascade=\"../../data/haarcascades/haarcascade_eye_tree_eyeglasses.xml\" --scale=1.3\n\n""During execution:\n\tHit any key to quit.\n""\tUsing OpenCV version " << CV_VERSION << "\n" << endl;
}void detectAndDraw( Mat& img, CascadeClassifier& cascade,CascadeClassifier& nestedCascade,double scale, bool tryflip );string cascadeName;
string nestedCascadeName;int main( int argc, const char** argv )
{VideoCapture capture;Mat frame, image;string inputName;bool tryflip;CascadeClassifier cascade, nestedCascade;double scale;cv::CommandLineParser parser(argc, argv,"{help h||}""{cascade|../../../data/haarcascades/haarcascade_frontalface_alt.xml|}""{nested-cascade|../../../data/haarcascades/haarcascade_eye_tree_eyeglasses.xml|}"//hogcascade_pedestrians"{scale|1|}{try-flip||}{@filename||}");if (parser.has("help")){help();return 0;}cascadeName = parser.get<string>("cascade");nestedCascadeName = parser.get<string>("nested-cascade");scale = parser.get<double>("scale");if (scale < 1)scale = 1;tryflip = parser.has("try-flip");if(tryflip){cout<<"try_flip"<<endl;}inputName = parser.get<string>("@filename");if (!parser.check()){parser.printErrors();return 0;}if ( !nestedCascade.load( nestedCascadeName ) )cerr << "WARNING: Could not load classifier cascade for nested objects" << endl;cascadeName="cartraining/xml/cascade.xml";if( !cascade.load( cascadeName ) ){cerr << "ERROR: Could not load classifier cascade" << endl;help();return -1;}//image = imread( "lena.jpg", 1 );image = imread( "cartraining/test/timg2.jpg", 1 );if(image.empty()) cout << "Couldn't read ../data/lena.jpg" << endl;if( capture.isOpened() ){cout << "Video capturing has been started ..." << endl;for(;;){capture >> frame;if( frame.empty() )break;Mat frame1 = frame.clone();detectAndDraw( frame1, cascade, nestedCascade, scale, tryflip );char c = (char)waitKey(10);if( c == 27 || c == 'q' || c == 'Q' )break;}}else{cout << "Detecting face(s) in " << inputName << endl;if( !image.empty() ){detectAndDraw( image, cascade, nestedCascade, scale, tryflip );waitKey(0);}else if( !inputName.empty() ){/* assume it is a text file containing thelist of the image filenames to be processed - one per line */FILE* f = fopen( inputName.c_str(), "rt" );if( f ){char buf[1000+1];while( fgets( buf, 1000, f ) ){int len = (int)strlen(buf);while( len > 0 && isspace(buf[len-1]) )len--;buf[len] = '\0';cout << "file " << buf << endl;image = imread( buf, 1 );if( !image.empty() ){detectAndDraw( image, cascade, nestedCascade, scale, tryflip );char c = (char)waitKey(0);if( c == 27 || c == 'q' || c == 'Q' )break;}else{cerr << "Aw snap, couldn't read image " << buf << endl;}}fclose(f);}}}return 0;
}void detectAndDraw( Mat& img, CascadeClassifier& cascade,CascadeClassifier& nestedCascade,double scale, bool tryflip )
{double t = 0;vector<Rect> faces, faces2;const static Scalar colors[] ={Scalar(255,0,0),Scalar(255,128,0),Scalar(255,255,0),Scalar(0,255,0),Scalar(0,128,255),Scalar(0,255,255),Scalar(0,0,255),Scalar(255,0,255)};Mat gray, smallImg;cvtColor( img, gray, COLOR_BGR2GRAY );double fx = 1 / scale;resize( gray, smallImg, Size(), fx, fx, INTER_LINEAR_EXACT );equalizeHist( smallImg, smallImg );t = (double)getTickCount();cascade.detectMultiScale( smallImg, faces,1.1, 2, 0//|CASCADE_FIND_BIGGEST_OBJECT//|CASCADE_DO_ROUGH_SEARCH|CASCADE_SCALE_IMAGE,Size(30, 30) );if( tryflip ){flip(smallImg, smallImg, 1);cascade.detectMultiScale( smallImg, faces2,1.1, 2, 0//|CASCADE_FIND_BIGGEST_OBJECT//|CASCADE_DO_ROUGH_SEARCH|CASCADE_SCALE_IMAGE,Size(30, 30) );for( vector<Rect>::const_iterator r = faces2.begin(); r != faces2.end(); ++r ){faces.push_back(Rect(smallImg.cols - r->x - r->width, r->y, r->width, r->height));}}t = (double)getTickCount() - t;printf( "detection time = %g ms\n", t*1000/getTickFrequency());for ( size_t i = 0; i < faces.size(); i++ ){Rect r = faces[i];Mat smallImgROI;vector<Rect> nestedObjects;Point center;Scalar color = colors[i%8];int radius;double aspect_ratio = (double)r.width/r.height;if( 0.75 < aspect_ratio && aspect_ratio < 1.3 ){center.x = cvRound((r.x + r.width*0.5)*scale);center.y = cvRound((r.y + r.height*0.5)*scale);radius = cvRound((r.width + r.height)*0.25*scale);circle( img, center, radius, color, 3, 8, 0 );}elserectangle( img, cvPoint(cvRound(r.x*scale), cvRound(r.y*scale)),cvPoint(cvRound((r.x + r.width-1)*scale), cvRound((r.y + r.height-1)*scale)),color, 3, 8, 0);if( nestedCascade.empty() )continue;smallImgROI = smallImg( r );nestedCascade.detectMultiScale( smallImgROI, nestedObjects,1.1, 2, 0//|CASCADE_FIND_BIGGEST_OBJECT//|CASCADE_DO_ROUGH_SEARCH//|CASCADE_DO_CANNY_PRUNING|CASCADE_SCALE_IMAGE,Size(30, 30) );for ( size_t j = 0; j < nestedObjects.size(); j++ ){Rect nr = nestedObjects[j];center.x = cvRound((r.x + nr.x + nr.width*0.5)*scale);center.y = cvRound((r.y + nr.y + nr.height*0.5)*scale);radius = cvRound((nr.width + nr.height)*0.25*scale);circle( img, center, radius, color, 3, 8, 0 );}}imshow( "result", img );
}

原创作品，转载请注明出处。。。。

车辆检测（视觉分类器训练）相关推荐

《预训练周刊》第9期：TABBIE：表格数据的预训练表示、「视觉预训练神作」：不用图片却训出图像识别SOTA？...
No.09 智源社区预训练组预训练研究观点资源活动关于周刊超大规模预训练模型是当前人工智能领域研究的热点,为了帮助研究与工程人员了解这一领域的进展和资讯,智源社区整理了第9期< ...
【CVPR2022】UniVIP：自监督视觉预训练的统一框架
来源:专知本文为论文,建议阅读5分钟我们提出了统一自监督视觉预训练(UniVIP) 论文标题:UniVIP: A Unified Framework for Self-Supervised Vis ...
级联分类器训练及其参数的含义
转载自:级联分类器训练 - OpenCV 2.3.2 documentation http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guid ...
【OpenCV3】级联分类器训练——traincascade快速使用详解
上一篇(OpenCV3中的级联分类器目标检测--cv::CascadeClassifier简介)介绍了如何使用级联分类器进行目标检测.这里,我们介绍一下如何训练自己的级联分类器. 至于原理这里就不再进 ...
HALCON示例程序train_characters_ocr.hdev使用SVM分类器训练字体
HALCON示例程序train_characters_ocr.hdev使用SVM分类器训练字体小哥哥小姐姐觉得有用点个赞呗! 示例程序源码(加注释) 蓝色字体均为算子解释链接,可以前往查看解答关于 ...
思维碰撞！谷歌提出ViTGAN，用视觉Transformer训练GAN
点上方计算机视觉联盟获取更多干货仅作学术分享,不代表本公众号立场,侵权联系删除转载于:新智元 AI博士笔记系列推荐周志华<机器学习>手推笔记正式开源!可打印版本附pdf下载链接卷积 ...
4项探索+4项实践，带你了解华为云视觉预训练研发技术
摘要:本文主要讲述云原生时代华为云在AI基础研究.视觉预训练模型研发和行业实践,以及AI开发平台ModelArts的最新进展. 近日,在Qcon全球软件开发大会(深圳站)上,华为云人工智能领域首席科学 ...
OpenFace人脸分类器训练
本篇文章关于OpenFace人脸分类器训练,默认已经安装好了OpenFace和其他的依赖关系,如何配置可见上一篇文章. 参考文章如有雷同,绝非巧合 1.准备素材人脸原图,每个图包含一个人脸,每个人 ...
通用视觉预训练大模型巡礼系列（一）：UFO大模型
©PaperWeekly 原创 · 作者 | 张燚钧单位 | 中国移动云能力中心研究方向 | 预训练大模型近来,以 ChatGPT 为代表的自然语言对话大模型,以及以 Stable Diffus ...

车辆检测（视觉分类器训练）

车辆检测（视觉分类器训练） ------------------原创作品

一、准备训练数据

二、样本训练

三、效果检验：

车辆检测（视觉分类器训练）相关推荐

最新文章

热门文章