机器学习-分类器-级联分类器训练(Train CascadeClassifier )

一、简介:

  adaboost分类器由级联分类器构成,"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中,被检窗口依次通过每一级分类器,这样在前面几层的检测中大部分的候选区域就被排除了,全部通过每一级分类器检测的区域即为目标区域。

分类器训练完以后,就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域输出为1,否则输出为0。为了检测整副图像,在图像中移动搜索窗口,检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体,在图像中检测未知大小的目标物体,扫描过程中用不同比例大小的搜索窗口对图片进行扫描。

目标检测分为三个步骤:

    、 样本的创建
、 训练分类器
、 利用训练好的分类器进行目标检测。

二、样本收集

  训练样本分为正例样本和反例样本,其中正例样本是指待检目标样本,反例样本指其它任意图片,所有的样本图片都被归一化为同样的尺寸大小(例如,24x24)。负样本可以来自于任意的图片,但这些图片不能包含目标特征。负样本由背景描述文件来描述。

三、准备训练数据

  训练需要一些列样本。样本分两类:负样本和正样本。负样本是指不包括物体的图像。正样本是待检测的物体的图像。负样本必须手工准备,正样本使用opencv_createsamples 创建。

  1、负样本

    负样本可以是任意图像,但图像中不能包含待检测的物体。用于抠取负样本的图像文件名被列在一个文件中。这个文件是纯文本文件,每行是一个文件名(包括相对目录和文件名)。负样本和样本图像也叫做背景样本,或者背景样本图像,本文档中对之不予区分。这些图像可以是不同的尺寸,但是图像尺寸应该比训练窗口的尺寸大,因为这些图像将被用于抠取负样本,并将负样本缩小到训练窗口大小。

下面是一个描述文件的例子:

假如目录结构如下:

/img
img1.jpg
img2.jpg
bg.txt

则bg.txt文件中的内容将如下所示:

img/img1.jpg
img/img2.jpg

  2、正样本

    正样本由 opencv_createsamples 生成。正样本可以由包含待检测物体的一张图片生成,也可由一系列标记好的图像生成。

    请注意你需要一个很大的负样本库送给训练程序进行训练。如果是绝对刚性的物体,如OpenCV的标志,你只有一张正样本图像;如果是人脸,你需要几百甚至几千个正样本。在待检测物体是人脸的情况下,你需要考虑所有的人种、年龄、表情甚至胡子的样式。

    如果只有一张包含物体的图像,如一个公司的标志,那么可以通过对物体图像的随机旋转、改变标志亮度以及将标志放在任意的背景上而获得大量的正样本。生成的正样本数目以及随机的程度都可以通过opencv_createsamples 的命令行参数控制。

    

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)。

    创建样本的流程如下: 输入图像沿着三个轴随机旋转。旋转的角度由 -max?angle 限定。然后像素的亮度值位于 [bg_color-bg_color_threshold;bg_color+bg_color_threshold]范围的像素被设置为透明像素。将白噪声加到前景图像上。如果指定了-inv ,那么前景图像的颜色将被翻转。如果指定了-randinv ,程序将随机选择是否将颜色进行翻转。任选背景图像,将获得的前景图像放到背景图像上,并将图像调整到-w 和-h 指定的大小。最后将图像存入vec文件,vec文件名由命令行参数-vec 指定。

正样本也可从一系列事先标记好的图像中创建。标记信息可以存储于一个文本文件,与背景描述文件类似。文件中的每行对应一个图像文件。每行的第一个元素为图像文件名,后面是物体的数目,最后是物体位置和大小的描述 (x, y, width, height)。

下面是描述文件的例子:

假设目录结构如下:

/img
img_with_faces_1.jpg
img_with_faces_2.jpg
info.dat

文件info.dat里的内容如下:

img/img_with_faces_1.jpg  1  140 100 45 45
img/img_with_faces_2.jpg 2 100 200 50 50 50 30 25 25

    图像img_with_faces_1.jpg中包含一个物体实例(如人脸),标示其在图像中的位置和大小的矩形为(140, 100, 45, 45)。图像img_with_faces_2.jpg包含两个物体实例。

从这样的一系列数据中创建正样本,需要在命令行指定 -info 而非前面所用的 -img 参数:

  • -info<collection_file_name>

    描述物体所在图像以及大小位置的描述文件。

此部分样本创建过程如下:将物体实例从图像中抠取出,然后将之调整尺寸到目标尺寸,然后保存到输出的vec文件。在此过程中不会对图像进行变形,所以有效的命令行参数仅有-w,-h,-show 和-num 。

opencv_createsamples 也可以用来查看和检查保存于vec正样本文件中的正样本。这时只需指定-vec ,-w 和 -h 三个参数则可。opencv_createsamples 将逐一显示正样本图像。

在训练中,训练程序并不关心包含正样本的vec文件如何生成的,你可以自己写程序来生成vec文件。但是OpenCV提供的工具中,只有 opencv_createsamples 程序能够创建包含正样本的vec文件。

一个vec文件的例子位于 opencv/data/vec_files/trainingfaces_24-24.vec 。它可用来训练人脸分类器,窗口大小为:-w24-h24 。

三、训练级联分类器

  

下一步是训练分类器。如前面所述, opencv_traincascade 和opencv_haartraining 都可用来训练一个级联分类器,但是此处只介绍opencv_traincascade 。opencv_haartraining 的用法与opencv_traincascade 类似。

下面是 opencv_traincascade 的命令行参数,以用途分组介绍:

  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。

训练结束后就可以测试训练好的级联分类器了.

上一篇:jquery 监听radio选中,取值


下一篇:使用BaGet 搭建私有nuget 服务器