使用opencv的Haar訓練自己的人臉分類器
以下是我學習的幾個博文：
http://blog.csdn.net/u010603823/article/details/52557760
1.準備訓練樣本圖片
1.1樣本的採集：
樣本圖片最好使用灰度圖，且最好根據實際情況做一定的預處理；樣本數量越多越好，儘量高於1000，樣本間差異性越大越好
正負樣本比例為1：3最佳；尺寸為20x20最佳。
1.1.1正樣本
訓練樣本的尺寸為20*20(opencv推薦的最佳尺寸)，且所有樣本的尺寸必須一致。如果不一致的或者尺寸較大的，可以先將所有樣本統一縮放到20*20。
以下就是我用來訓練的正樣本：
這裡要提醒一下，雖然負樣本就是樣本中不存在正樣本的內容。但也不能隨意的找些圖片來作為負樣本，比如什麼天空，大海，森林等等。最好是根據不同的專案選擇不同的負樣本，比如一個專案是做機場的人臉檢測，那麼就最好從現場拍攝一些圖片資料回來，從中採集負樣本。其實正樣本的採集也應該這樣。不同的專案，就採集不同的正樣本和負樣本。因為專案不同，往往相機的安裝規範不同，場景的拍攝角度就不同。
關於負樣本的尺寸，只要不小於正樣本的尺寸就好。至於為什麼，我沒有深究，知道原因的也可以講講。
以下就是我用來訓練的負樣本：
1.1.3 準備好工作目錄
negdata目錄:
posdata目錄： 放正樣本的目錄
xml目錄： 新建的一個目錄，為之後存放分類器檔案使用
negdata.txt: 負樣本路徑列表
posdata.txt: 正樣本路徑列表
pos.vec: 後續自動生成的樣本描述檔案
opencv_createsamples.exe: 生成樣本描述檔案的可執行程式(opencv自帶)
opencv_haartraining.exe: 樣本訓練的可執行程式(opencv自帶)
1.1.4獲取樣本路徑列表
接下來就需要或者正負樣本的路徑列表，方便訓練的時候能夠找到每一個樣本。
先進入正樣本資料的目錄下(posdata
編輯完成後，雙擊該檔案。就會在該目錄下生成一個num.txt,如下：
開啟num.txt,使用文字編輯器的替換功能，做一些替換工作
替換1：將絕對路徑替換成相對路徑
替換2：1代表個數，後四個分別對應left top width height
將替換好的num.txt複製到posdata目錄的同級目錄下，重新命名為posdata.txt
同理，負樣本的路徑列表按照上述方法進行。在negdata目錄下準備好num.txt後，複製到negdata目錄的同級目錄下，重命令為negdata.txt
2.準備樣本描述檔案
樣本描述檔案就是一個.vec檔案，為opencv訓練準備的，只有正樣本需要，負樣本不需要。
開啟cmd.exe，進入到工作目錄下，執行以下命令：
|
|
|
-info，指樣本說明檔案 -vec，樣本描述檔案的名字及路徑 -num，總共幾個樣本，要注意，這裡的樣本數是指標定後的20x20的樣本數，而不是大圖的數目，其實就是樣本說明檔案第2列的所有數字累加 -w-h指明想讓樣本縮放到什麼尺寸。這裡的奧妙在於你不必另外去處理第1步中被矩形框出的圖片的尺寸，因為這個引數幫你統一縮放！(我們這裡準備的樣本都是20*20) |
執行結束後，會在工作目錄下自動生成一個pos.vec檔案
3.樣本訓練
樣本訓練需要用到的工具：(1)opencv_haartraining.exe,opencv自帶的一個工具，該工具封裝了haar特徵提取以及adaboost分類器訓練過程 (2)convert_casade.exe，用於合併各級分類器成為最終的xml檔案.
開啟cmd.exe，進入工作目錄，執行以下命令
|
opcnv_haartraining.exe–data xml –vec pos.vec –bg negdata.txt –nsplits 1 –sym –w24 –h 24 –mode all –mem 1280 |
|
-data: 指定生成的檔案目錄(將來存放各級分類的地方) -vec： 樣本描述檔案
-bg 負樣本描述檔名稱，就是負樣本的路徑列表
-nstage 20 指定訓練層數，推薦15~20，層數越高，耗時越長。
-nsplits 分裂子節點數目,選取預設值 2 ， 1表示使用簡單的stump classfier分類
-minhitrate 最小命中率，即訓練目標準確度。
-maxfalsealarm 最大虛警(誤檢率)，每一層訓練到這個值小於0.5時訓練結束，進入下一層訓練
-npos 在每個階段用來訓練的正樣本數目
-nneg 在每個階段用來訓練的負樣本數目
-mode： all指定haar特徵的種類，basic僅僅使用垂直特徵,all表示使用垂直以及45度旋轉特徵
-sym或者-nonsym：後面不用跟其他引數，用於指定目標物件是否垂直對稱，若你的物件是垂直對稱的，比如臉，則垂直對稱有利於提高訓練速度
-mem： 表示允許使用計算機的1280M記憶體 |
3.1訓練過程
在訓練過程中可能會遇到很多問題，大家如果遇到什麼問題，就直接到網搜，肯定是搜得到的，我這裡把我遇到的問題貼出來，我開始訓練後，大約過了20幾分鐘，程式就卡住了，感覺進入死迴圈，出不來了。如下圖所示。
但是進入xml目錄下，已經生成了10個目錄(這10個就是弱分類器)，通過網上查詢，解決如下：
訓練到第10層後再也沒有反應，這是由於FA值已經達到0，沒有負樣本能夠進入下一層進行訓練了。
解決方案之一是增加負樣本的數量。
解決方案之二是用convert_cascade.exe生成xml檔案。因為此時各層的訓練資訊已經有了，FA值達到0也說明訓練結果可用。同樣
適用於FA值已經很低，而下一層的訓練時間過長不想等待的情況。
因為沒有找到convert_cascade.exe這個可執行檔案，在網上搜到了這個原始碼，將其寫成一個函式，然後直接呼叫即可，程式碼如下
|
intcascade() { char*haartraining_ouput_dir ="G://圖片資料//人臉//face//xml"; //根據實際情況修改 char*ouput_file ="G://圖片資料//人臉//face//xml//haar_adaboost.xml";//根據實際情況修改 constchar*size_opt = "--size="; charcomment[1024]; CvHaarClassifierCascade*cascade = 0; CvSizesize; size.width= 20; //根據實際情況修改 size.height= 20; //根據實際情況修改 cascade= cvLoadHaarClassifierCascade(haartraining_ouput_dir,size); if(!cascade ){ fprintf(stderr,"Inputcascade could not be found/opened\n"); return-1; } sprintf(comment, "Automaticallyconverted from %s, window size = %dx%d",ouput_file, size.width, size.height ); cvSave(ouput_file, cascade, 0, comment, cvAttrList(0,0) ); return0; } |
4.開始測試
|
inthaarDection() { Matimage; CascadeClassifiercascade, nestedCascade;//建立級聯分類器物件 doublescale = 1.3; // image = imread("obama_gray.bmp",1); image= imread("D://haarcascade_frontalface_alt.jpg",1); namedWindow("result",1 );//opencv2.0以後用namedWindow函式會自動銷燬視窗 if(!cascade.load( cascadeName ) )//從指定的檔案目錄中載入級聯分類器 { cerr<< "ERROR:Could not load classifier cascade"<< endl; return0; } if(!image.empty() )//讀取圖片資料不能為空 { detectAndDraw(image, cascade, scale ); IplImageqImg; qImg= IplImage(image); cvSaveImage("D://aaa.jpg",&qImg); waitKey(0); } return0; } voiddetectAndDraw( Mat&img, CascadeClassifier&cascade, doublescale) { inti = 0; doublet = 0; vector<Rect>faces; conststaticScalarcolors[] = { CV_RGB(0,0,255), CV_RGB(0,128,255), CV_RGB(0,255,255), CV_RGB(0,255,0), CV_RGB(255,128,0), CV_RGB(255,255,0), CV_RGB(255,0,0), CV_RGB(255,0,255)};//用不同的顏色表示不同的人臉 Matgray, smallImg( cvRound (img.rows/scale),cvRound(img.cols/scale),CV_8UC1);//將圖片縮小，加快檢測速度 cvtColor(img,gray, CV_BGR2GRAY);//因為用的是類haar特徵，所以都是基於灰度影象的，這裡要轉換成灰度影象 resize(gray, smallImg, smallImg.size(), 0, 0, INTER_LINEAR);//將尺寸縮小到1/scale,用線性插值 equalizeHist(smallImg, smallImg );//直方圖均衡 t= (double)cvGetTickCount();//用來計算演算法執行時間 //檢測人臉 //detectMultiScale函式中smallImg表示的是要檢測的輸入影象為smallImg，faces表示檢測到的人臉目標序列，1.1表示 //每次影象尺寸減小的比例為1.1，2表示每一個候選矩形需要記錄2個鄰居,CV_HAAR_SCALE_IMAGE表示使用haar特徵，Size(30,30) //為目標的最小最大尺寸 cascade.detectMultiScale(smallImg, faces, 1.1,2, 0 //|CV_HAAR_FIND_BIGGEST_OBJECT //|CV_HAAR_DO_ROUGH_SEARCH |CV_HAAR_SCALE_IMAGE , Size(30,30) ); t= (double)cvGetTickCount()- t;//相減為演算法執行的時間 printf("detectiontime = %g ms\n",t/((double)cvGetTickFrequency()*1000.)); /* for(vector<Rect>::const_iterator r = faces.begin(); r !=faces.end(); r++, i++ ) { MatsmallImgROI; vector<Rect>nestedObjects; Pointcenter; Scalarcolor = colors[i%8]; intradius;
|