OpenCV開發筆記（七十一）：紅胖子8分鐘帶你深入級聯分類器訓練

前言

  紅胖子，來也！
  做影像處理，經常頭痛的是明明分離出來了（非顏色的），分為幾塊區域，那怎麼知道這幾塊區域到底哪一塊是我們需要的，那麼這部分就涉及到需要識別了。
  識別可以自己寫模板匹配、特徵點識別、級聯分類器訓練識別。
  本文章就是講解級聯分類器的訓練與識別。

明確目標

  目標是識別視訊中的歌手，我們先手動採集資料集合。
  視訊為《綠色》，如下圖：

 

訓練分類器前的準備工作

採集正樣本圖片

  正樣本的尺寸不是必須一致的，但是要和生成的正樣本向量檔案中的寬高有相同的比例（因為訓練過程中，會根據設定的寬高進行等比縮放，比如設定正版本圖片是128x128的，那麼樣本為256x256會縮放，假設楊文為256x128的那麼比例就不同了，這個圖怎麼處理？待定）；
  正樣本圖片應該儘可能包含少的干擾背景資訊。在訓練過程中多餘的背景資訊也會成為正樣本的一個區域性特徵，此處與深度學習不同，深度學習現在主流無腦深度學習，影像基本的一些去噪都可能不做。
  資料來源儘可能做到多樣化，比如樣本為車，車的姿態場景應稍豐富些。同一正樣本目標的影像太多會使區域性特徵過於明顯，造成這個目標的訓練過擬合，影響檢測精度，不利於訓練器泛化使用。
  我們採集視訊的人臉，先把視訊解碼後儲存成jpg圖片。
  此處省略一萬字…

 

建立樣本：opencv_createsamples.exe

  使用opencv自帶的命令列工具opencv_createsamples.exe

• [-info <collection_file_name>]
  樣本說明檔案，每一行的內容為

xxx.jpg nums x y width height

  例如：圖片中有兩個目標

xxx.jpg 2 0 0 100 100 200 200 100 100

  生成樣本在windows上依託命令列

dir /b > pos.data

• [-img <image_file_name>]
    通過一張圖片的扭曲形變成多張圖片作為樣本，就填寫這個引數，引數的內容為要扭曲的圖片的路徑。填入後，-info引數不再有效。
• [-vec <vec_file_name>]
    樣本描述檔案的名字及路徑
• [-bg <background_file_name>]
    負樣本描述檔案的名字及路徑，如果省略，則使用bgcolor的值填充作為背景。就是跟存放負樣本圖片（背景圖片）目錄位置相同的描述檔案的路徑，可用txt,dat等格式儲存，每一行的內容為：xxx.jpg。
• [-inv]
    如果指定該標誌，前景影像的顏色將翻轉
• [-randinv]
    如果指定該標誌，顏色將隨機地翻轉
• [-num <number_of_samples = 1000>]
    總共幾個樣本，可以省略，則按照輸入的實際樣本數量產生
• [-bgcolor <background_color = 0>]
    背景顏色（目前為灰度圖）；背景顏色表示透明顏色。因為影像壓縮可造成顏色偏差，顏色的容差可以由-bgthresh指定。所有處於bgcolor-bgthresh和bgcolor+bgthresh之間的畫素都被設定為透明畫素。
• [-bgthresh <background_color_threshold = 80>]
    （參考-bgcolor）
• [-maxidev <max_intensity_deviation = 40>]
    前景樣本里畫素的亮度梯度的最大值
• [-maxxangle <max_x_rotation_angle = 1.100000>]
    x軸最大旋轉角度，單位弧度
• [-maxyangle <max_y_rotation_angle = 1.100000>]
    y軸最大旋轉角度，單位弧度
• [-maxzangle <max_z_rotation_angle = 0.500000>]
    z軸最大旋轉角度，單位弧度
• [-show [<scale = 4.000000>]]
    顯示樣本，作為建立樣本時的除錯
• [-w <sample_width = 24>]
    樣本縮放到的尺寸
• [-h <sample_height = 24>]
    樣本縮放到的尺寸
• [-maxscale ]：
• [-rngseed ]：

建立正樣本

建立負樣本

建立樣本檔案vec

opencv_createsamples -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -show -w 50 -h 70  -maxxangle 6.28 -maxyangle 6.28 -maxzangle 6.28

（注意：LBP特徵50x70等都可以可以訓練，實測HAAR則必須是24x24 or 20x20）

 

訓練樣本opencv_traincascade.exe

  使用opencv自帶的命令列工具opencv_traincascade.exe，可以訓練三個特徵目標：HAAR、HOG、LBP。

• -data <cascade_dir_name>
    訓練的分類器的儲存目錄。
• -vec <vec_file_name>
    通過opencv_createsamples生成的vec檔案，正樣本的資料。
• -bg <background_file_name>
    負樣本說明檔案，主要包含負樣本檔案所在的目錄及負樣本檔名。
• [-numPos <number_of_positive_samples = 2000>]
    每級分類器訓練時所用到的正樣本數目，但是應當注意，這個數值一定要比準備正樣本時的數目少。
• [-numNeg <number_of_negative_samples = 1000>]
    每級分類器訓練時所用到的負樣本數目，可以大於-bg指 定的圖片數目。
• [-numStages <number_of_stages = 20>]
    訓練分類器的級數，強分類器的個數
• [-precalcValBufSize <precalculated_vals_buffer_size_in_Mb = 1024>]
    快取大小，用於儲存預先計算的特徵值，單位MB
• [-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb = 1024>]
    快取大小，用於儲存預先計算的特徵索引，單位MB
• [-baseFormatSave]
    僅在使用Haar特徵時有效，如果指定，級聯分類器將以老格式儲存。
• [-numThreads <max_number_of_threads = 1>]
    支援多執行緒並行訓練
• [-acceptanceRatioBreakValue = -1>]
    此引數用於確定模型應保持學習的精確程度以及何時停止。一個好的指導方針是訓練不超過10e-5（等於10*10^(-5) ），以確保模型不會過度訓練您的訓練資料。預設情況下，此值設定為-1以禁用此功能。

–cascadeParams–

• [-stageType <BOOST(default)>]
    級聯型別，目前只能取BOOST
• [-featureType <{HAAR(default), LBP, HOG}>]
    訓練使用的特徵型別，目前支援的特徵有Haar，LBP和HOG
• [-w <sampleWidth = 24>]
    訓練的正樣本的寬度，Haar特徵的w和h一般為20，LBP特徵的w和h一般為24，HOG特徵的w和h一般為64
• [-h <sampleHeight = 24>]
    訓練的正樣本的高

–boostParams–

• [-bt <{DAB, RAB, LB, GAB(default)}>]
    增強分類器型別：DAB-Discrete AdaBoost，RAB-Real AdaBoost，LB-LogitBoost，GAB-Gentle AdaBoost。
• [-minHitRate <min_hit_rate> = 0.995>]
    類器每個階段的最小期望命中率。總體命中率估計為（最小命中率^階段數）。
• [-maxFalseAlarmRate <max_false_alarm_rate = 0.5>]
    分類器每個階段的最大期望誤報率。
• [-weightTrimRate <weight_trim_rate = 0.95>]
    指定是否應使用修剪及其權重。一個不錯的選擇是0.95。
• [-maxDepth <max_depth_of_weak_tree = 1>]
    弱樹的最大深度。一個不錯的選擇是1，這是樹樁的情況。
• [-maxWeakCount <max_weak_tree_count = 100>]
    每個級聯階段的最大弱樹數。提升分類器（stage）將具有許多弱樹（<=maxWeakCount），以實現給定的-maxFalseAllRate。

–haarFeatureParams–

• [-mode <BASIC(default) | CORE | ALL>]
    選擇訓練中使用的Haar特徵集的型別。基本只使用直立特徵，而所有特徵都使用全套直立和45度旋轉特徵集。

訓練級聯分類器

opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType HAAR -w 64 -h 64

訓練出錯如下：

更換LBP特徵，繼續訓練：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 64 -h 64

訓練出錯如下：

  根據錯誤寬高是要跟建立的樣本一樣，改為50x70，(建立的樣本為50x70)，繼續訓練：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt  \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70

  負樣本再生成一次絕對路徑：

dir /b /s >negAb.txt

  刪掉非圖片的行
  然後繼續訓練：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70

訓練出錯，如下：

手動建立data目錄

  繼續訓練：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt -numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70

  然後，正常訓練，訓練完成：

如何訓練Haar

  要訓練haar特徵級聯分類器，最開始建立樣本就必須為24x24 or 20x20的（經過多次嘗試論證），最終設定24x24訓練出來如下：

opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType HAAR -w 24 -h 24

  訓練

opencv_createsamples -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -\
show -w 24 -h 24 -maxxangle 6.28 -maxyangle 6.28 -maxzangle 6.28

  使用該級聯分類器，使用cascade.xml載入即可。

 

Haar級聯分類器的測試

  級聯分類器的測試請參考《OpenCV開發筆記（五十四）：紅胖子8分鐘帶你深入瞭解Haar級聯分類器進行人臉檢測（圖文並茂+淺顯易懂+程式原始碼）》

 

上一篇：《OpenCV開發筆記（七十）：紅胖子帶你傻瓜式編譯VS2017x64版本的openCV4》
下一篇：持續補充中…