Opencv训练自己分类器

一时失言乱红尘 2022-11-13 02:00 142阅读 0赞

*原文地址丢失，请谅解！*

**1.准备训练样本图片**

**1.1样本的采集：**

**      样本图片最好使用灰度图，且最好根据实际情况做一定的预处理；样本数量越多越好，尽量高于1000，样本间差异性越大越好**

**正负样本比例为1：3最佳；尺寸为20x20最佳。**

**1.1.1正样本**

**        训练样本的尺寸为20\*20(opencv推荐的最佳尺寸)，且所有样本的尺寸必须一致。如果不一致的或者尺寸较大的，可以先将所有样本统一缩放到20\*20。**

** 以下就是我用来训练的正样本：**

![773dcc08aab245765ec6beea9dd7229d.png][]

**1.1.2负样本**

![bd9aa6ce54d16a1ebe996e076242a294.png][]

** 这里要提醒一下，虽然负样本就是样本中不存在正样本的内容。但也不能随意的找些图片来作为负样本，比如什么天空，大海，森林等等。最好是根据不同的项目选择不同的负样本，比如一个项目是做机场的人脸检测，那么就最好从现场拍摄一些图片数据回来，从中采集负样本。其实正样本的采集也应该这样。不同的项目，就采集不同的正样本和负样本。因为项目不同，往往相机的安装规范不同，场景的拍摄角度就不同。**

**1.1.3 准备好工作目录**

**negdata目录: 放负样本的目录**

**posdata目录： 放正样本的目录**

**xml目录： 新建的一个目录，为之后存放分类器文件使用**

**negdata.txt: 负样本路径列表**

**posdata.txt: 正样本路径列表**

**pos.vec: 后续自动生成的样本描述文件**

**opencv\_createsamples.exe: 生成样本描述文件的可执行程序(opencv自带)**

**opencv\_haartraining.exe: 样本训练的可执行程序(opencv自带)**

**将下图中的所有文件拷贝到样本同级目录**

**![99c58edcfa3db051fd15dde83e455d9d.png][]**

**1.1.4生成样本描述文件**

**1，生成正样本描述文件**

**进入posdata目录**

**执行dir /b/s/p/w \*.jpg > pos.txt**

**2，生成负样本描述文件**

**进入negdata目录**

**执行dir /b/s/p/w \*.jpg > neg.txt**

**打开正负样本描述文件如图：**

![b52ae2c728fc01783ad602e717864623.png][]

将jpg全部替换成下面的格式

![3b7daf4fffc46d6ba5b9f791fa791fac.png][]

![4f783680f23f8109a5b429158fdad21b.png][]

图中划线处为图片像素大小

**将正负样本描述文件拷贝到与opencv\_createsamples.exe文件同一目录**

**1.1.5生成.vec文件**

**opencv\_createsamples.exe -vec pos.vec -info pos.txt -num 18500 -w 20 -h 20**

**opencv\_createsamples.exe -vec neg.vec -info neg.txt -num 10500 -w 50 -h 50**

**出现以下信息即是生成成功（样本不标准会出错）**

** **![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70][]

**说明：**

**-info，指样本说明文件**

**-vec，样本描述文件的名字及路径**

**-num，总共几个样本，要注意，这里的样本数是指标定后的20x20的样本数，而不是大图的数目，其实就是样本说明文件第2列的所有数字累加**

**-w -h指明想让样本缩放到什么尺寸。这里的奥妙在于你不必另外去处理第1步中被矩形框出的图片的尺寸，因为这个参数帮你统一缩放！(我们这里准备的样本都是20\*20)**

** **

**1.1.6训练样本**

**新建文件traincascade.bat**

**把**

**opencv\_traincascade.exe -data xml -vec pos.vec -bg neg.txt -numPos 500 -numNeg 656 -numStages 20 -w 20 -h 20 -mode ALL**

**pause**

**复制进去保存**

**准备好数据后，就该训练了，根据官网参数的提示进行设置。一下是我的设置，可参考：  
opencv\_traincascade -data cascade\_license\_dir -vec licenseVec -bg LicenseText.txt -numPos 800 -numNeg 4000 -numStages 15 -featureType LBP -w 45 -h 25 -minHitRate 0.99 -maxFalseAlarmRate 0.3 -bt DAB -maxDepth 2   
1  
记得-w 和-h就是小写的，还有-minHitRate和-maxFlaseAlarmRate参数，不然训练速度很快，而且训练的效果不理想。 -numNeg会比实际准备的负样本个数大两三倍，并且-w和-h和用opencv\_createsamples中用的-w和-h保持一致，不然会报错。**

**训练完之后，进行测试，分类器效果还是不够理想，会把相近的都选中，降低 -maxFlaseAlarmRate的参数，提高-numPos参数，以及把负样本也做一次直方图均衡化，在加些标准的负样本。再次进行训练。  
中途报错：Can not get new positive sample.The most possible reason id insufficient count of samples is given veg-file.**

**出现这种错的原因提示中很明显，正样本的数目不够，也就是-numPos设置的大了。加入正样本的数目一共有1900张，-numPos设置的是1800张，那么在第一级分类器中，会在1900张图片中选择1800张，在准确率达到0.99时结束第一级训练，那么分类器认为正样本还有18000.99张；到了第二级分类器，依旧需要输入1800张图片，那么还得从剩余的（1900-1800）张图片中选择（1800-18000.99）张，加上第一级分类器筛选出的正样本一起去训练，依次类推，假如你剩余的样本少于分类器需要的正样本数目，就会报错。所以设置-numPos的时候尽量是正样本数目的80%左右。**

**错误：Train dataset for temp stage can not be filled. Branch training terminated.**

**若出现这种错误，是负样本的路径有问题，-bg 后面的参数只能是文件名称，不能是路径+文件名称，需要把负样本的txt文件放到当前目录下，并在txt文件中的路径加上负样本图片的文件名。**

**把pos.txt和neg.txt改回如图格式（注意：这一步至关中重要）**

![185a4ad8bb572f9fd250dad5ee60f07f.png][]

**然后双击traincascade.bat进行训练**

**说明：**

**![ebb846d5312d5822862472861fe2d0d0.png][]**

** **点击训练后会出现如图所示代表正确训练中

** ![12656b25fc636608b772eaff7d2b2266.png][]**

**训练结束后会在xml目录下生成如图文件（其中cascade.xml就是我们训练得到的分类器）**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70 1][]

[773dcc08aab245765ec6beea9dd7229d.png]: /images/20221022/2c3cd1b2d83f48768ce8ff8f36489488.png
[bd9aa6ce54d16a1ebe996e076242a294.png]: /images/20221022/afc93e271b6648f5b28f44bbc2fc9f44.png
[99c58edcfa3db051fd15dde83e455d9d.png]: /images/20221022/510276bc68784ee994a9e57f9bacff17.png
[b52ae2c728fc01783ad602e717864623.png]: /images/20221022/a2eb9ca6a55c4c02b294200553db2a62.png
[3b7daf4fffc46d6ba5b9f791fa791fac.png]: /images/20221022/f4782344cd7d4473a3a7190e0a3fa9ae.png
[4f783680f23f8109a5b429158fdad21b.png]: /images/20221022/e8a31b00232342cbad89e475cba106d0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70]: /images/20221022/8e8b78d1f21e4bc49b636f0201015f94.png
[185a4ad8bb572f9fd250dad5ee60f07f.png]: /images/20221022/34fad2f2fc4242cd87290a4fd2be2d15.png
[ebb846d5312d5822862472861fe2d0d0.png]: /images/20221022/9b4bbb82160841ada283d7a43e343297.png
[12656b25fc636608b772eaff7d2b2266.png]: /images/20221022/7d99426813994f20856ffb42048a21aa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIxNDU0OTcz_size_16_color_FFFFFF_t_70 1]: /images/20221022/bc29f7eb380d45e8826db44c965f0f45.png