opencv 分类器的训练（生成.xml, CascadeClassifier）

2023-10-22 07:50
文章标签 xml 训练 opencv 生成 分类器 cascadeclassifier

本文主要是介绍opencv 分类器的训练（生成.xml, CascadeClassifier），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

检测的物体是否为绝对刚性的物体，也就是检测的目标是一个固定物体，没有变化（如特定公司的商标），这样的物体只要提供一份样本就可以进行训练。但绝大数时候我们想进行训练的目标是非绝对刚性的物体，如对人的检测，包括人脸识别、手势识别。

分类器的训练以分为以下三部进行：

1、 样本的创建(正样本和负样本)
2、 训练分类器（生成.xml）
3、 利用训练好的分类器进行目标检测

正样本：所谓正样本就是只包含检测目标的图片

               1、要求尺寸必须相同，例如40x30

               2、进行灰度处理

负样本：不包含检测目标的任何图片（背景图片）               

             1.不要求样本尺寸，但要大于等于正样本的大小；且负样本不能重复，要增大负样本的差异性。

              2.负样本灰度化，同正样本操作相同。

制作正样本：

           1、收集数据（截图或拍照等）进行处理：

            2、 将所有图像调整成一致大小，我用的“美图看看”这款软件，批量处理的，我处理的统一尺寸是40x30

           3、进行灰度处理

#include "stdafx.h"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
#include <stdio.h>using namespace cv;
using namespace std;int main()
{char buffer[50];char buffer1[50];int i = 0;for (i = 1; i <= 100; i++){sprintf_s(buffer, "C:\\Users\\Administrator\\Desktop\\xml\\ww\\%d.png", i);sprintf_s(buffer1, "C:\\Users\\Administrator\\Desktop\\xml\\pos\\%d.png", i);Mat src = imread(buffer, IMREAD_COLOR);if (src.empty()){return -1;}cvtColor(src, src, COLOR_BGR2GRAY);equalizeHist(src, src);imwrite(buffer1, src);}return 0;
}

4、这样正样本就处理好了，接下来要生成posdata.dat文件

将opencv安装目录的D:\Program Files\opencv\build\x64\vc15\bin\opencv_createsamples.exe和opencv_traincascade.exe复制到需要进行图像处理的目录下（也可不复制，操作时加上目录）

制作dos命令操作文件dat_cmd.bat:输入dir /b > posdata.dat（表示将当前文件写入posdata.dat）

双击执行dat_cmd.bat生成posdata.dat，打开posdata.dat，删除不需要文件

在对文件进行处理，使其含有图片信息，格式为：图片路径     检测目标在图片中的个数     起始监测点坐标（x，y）        图片大小（w，h）

5、生成训练.vec文件

执行生成pos.vec

参数说明

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>

  • -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）。

6、处理负样本：对负样本只需得到.dat文件（同正样本处理）

二、训练级联分类器

1、将生成的的负样本negdata.dat复制到和opencv_traincascade.exe同目录下（也可以吧正样本的pos.vec复制到此目录下）

并且制作训练命令train.bat

opencv_traincascade.exe -data cascade -vec pos.vec -bg negdata.dat -numPos 41 -numNeg 100 -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.4 -featureType HAAR -w 40 -h 20

注：pause是为了查看cmd执行

参数说明：

  1. 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。

  2. 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。

  3. 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.

  4. 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 [Rainer2002] 。

  5. 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！

三、训练器的测试

参考CascadeClassifier级联分类器的使用https://blog.csdn.net/WangHuiShou/article/details/81201698

四、考 训练分类器所遇到的问题

1、

-bg 参数不能直接跟目录，因为neg目录下手下读取的不是negdata.dat文件，导致失败

2、问题：traincascade's error (Required leaf false alarm rate achieved. Branch training terminated.)

解析：虚警率已经达标 不再继续训练 ，这里不能说是一个错误，只能说制作出来的xml文件可能较差

解决办法：先测试一下生成的cascade.xml，如果效果没有达到你的预期，有以下几个解决方案：
1：maxfalsealarm值应该设定到0.4 - 0.5之间
2：正负样本数太少，增大样本数

四、参考网站

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html#id6

这篇关于opencv 分类器的训练（生成.xml, CascadeClassifier）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/260083。

相关文章

opencv实现像素统计的示例代码

opencv实现像素统计的示例代码

《opencv实现像素统计的示例代码》本文介绍了OpenCV中统计图像像素信息的常用方法和函数,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 统计像素值的基本信息2. 统计像素值的直方图3. 统计像素值的总和4. 统计非零像素的数量
阅读更多...
详解Java中如何使用JFreeChart生成甘特图

详解Java中如何使用JFreeChart生成甘特图

《详解Java中如何使用JFreeChart生成甘特图》甘特图是一种流行的项目管理工具,用于显示项目的进度和任务分配,在Java开发中,JFreeChart是一个强大的开源图表库,能够生成各种类型的图... 目录引言一、JFreeChart简介二、准备工作三、创建甘特图1. 定义数据集2. 创建甘特图3.
阅读更多...
AI一键生成 PPT

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人，是不是经常需要制作各种PPT来分享我的生活和想法。但是，你们知道，有时候灵感来了，时间却不够用了！😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手！🌟 什么是Kimi？ 一款月之暗面科技有限公司开发的AI办公工具，帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师，Kimi都能够为你的办公文
阅读更多...
使用opencv优化图片（画面变清晰）

使用opencv优化图片（画面变清晰）

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化，使其看起来更清晰，同时保持尺寸不变，通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多，主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器：相机传
阅读更多...
pdfmake生成pdf的使用

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据，将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma
阅读更多...
poj 1258 Agri-Net（最小生成树模板代码）

poj 1258 Agri-Net（最小生成树模板代码）

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码：效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n
阅读更多...
poj 1287 Networking（prim or kruscal最小生成树）

poj 1287 Networking（prim or kruscal最小生成树）

题意给你点与点间距离，求最小生成树。 注意点是，两点之间可能有不同的路，输入的时候选择最小的，和之前有道最短路WA的题目类似。 prim代码： #include<stdio.h>const int MaxN = 51;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int P;int prim(){bool vis[MaxN];
阅读更多...
poj 2349 Arctic Network uva 10369（prim or kruscal最小生成树）

poj 2349 Arctic Network uva 10369（prim or kruscal最小生成树）

题目很麻烦，因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚，不适合新手。自己写一个。 题意：给你点的坐标，然后两点间可以有两种方式来通信：第一种是卫星通信，第二种是无线电通信。 卫星通信：任何两个有卫星频道的点间都可以直接建立连接，与点间的距离无关； 无线电通信：两个点之间的距离不能超过D，无线电收发器的功率越大，D越大，越昂贵。 计算无线电收发器D
阅读更多...
hdu 1102 uva 10397（最小生成树prim）

hdu 1102 uva 10397（最小生成树prim）

hdu 1102: 题意： 给一个邻接矩阵，给一些村庄间已经修的路，问最小生成树。 解析： 把已经修的路的权值改为0，套个prim（）。 注意prim 最外层循坏为n-1。 代码： #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstri
阅读更多...
【生成模型系列（初级）】嵌入（Embedding）方程——自然语言处理的数学灵魂【通俗理解】

【生成模型系列（初级）】嵌入（Embedding）方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入（Embedding）方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节：嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”，它将文本中的单词或短语转换成计算机能够理解的数学形式，即向量。 正如翻译机将一种语言
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2