OpenCV3训练人脸检测分类器生成XML文件的过程

柔情只为你懂 2022-12-23 14:23 144阅读 0赞

**OpenCV训练自己的分类器**  
注：本文举得是一个训练人脸分类器的例子，亲自试验过，采用的是opencv3.4  
**1.准备训练样本**  
看网上说正负样本比例为1：3最佳；尺寸为20x20最佳  
附上人脸训练的数据集的下载链接：https://pan.baidu.com/s/1AxoIMFycfpeIMtDYHz4RBw  
提取码：rap7  
**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20x20。以下是提供的正样本：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70]  
**1.2 负样本**  
负样本中不存在正样本的内容，根据不同的项目选择不同的负样本，根据自己的情况而定。这里选取的负样本尺寸是50x50。以下是负样本：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 1]  
**2.构建工作目录**  
新建一个文件夹（名为face），在此文件夹下新建posdata，negdata，xml三个文件夹。  
posdata目录：放正样本的目录  
negdata目录：放负样本的目录  
xml目录：生成的分类器的存放  
**2.1 有关文件及数据的拷贝**  
将下列的文件目录拷贝到face文件夹中，如图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 2]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 3]  
接着将人脸的正负样本分别拷贝到posdata和negdata文件夹中。

**2.2 生成样本描述文件**  
1.在negdata文件夹中建立一个neg.txt文件，在此txt文件中输入：dir /b/s/p/w \*.jpg > neg.txt  
然后保存，将neg.txt更改为neg.bat，接着双击neg.bat，就会生成neg.txt，以下为里面的内容：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 4]  
2.在posdata文件夹中建立一个pos.txt文件，在此txt文件中输入：dir /b/s/p/w \*.jpg > pos.txt  
然后保存，将pos.txt更改为pos.bat，接着双击pos.bat，就会生成pos.txt，以下为里面的内容：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 5]  
接着将jpg 替换为jpg 1 0 0 20 20(数字分别代表为：数量，起点坐标：0,0 大小：20x20)，点击编辑，  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 6]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 7]  
内容变成以下这样即可  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 8]**3.训练样本**  
**3.1生成.vec文件**  
将pos.txt和neg.txt拷贝到face文件夹下，然后在face文件夹打开终端（shift+右键），在终端依次输入：  
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 10925 -w 50 -h 50  
即可生成.vec文件。  
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)  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 9]  
**3.2训练样本**  
新建txt文件，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，并将文件名修改为traincascade.bat，最后双击该文件即可，剩下的就是等待了，在xml会生成cascade.xml，这个就是我们训练得到的分类器。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 10]  
xml目录下的cascade.xml就是我们需要的分类器，将其拷进需要运用的工程目录下即可。![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 11]  
**4.使用VS2015编写测试程序**  
注意：分类器需放在工程文件下！！  
测试代码如下：

\#include “stdafx.h”  
\#include  
\#include <opencv2/opencv.hpp>  
\#include <opencv2/core/core.hpp>  
\#include <opencv2/highgui/highgui.hpp>  
using namespace cv;  
int main()  
\{  
//加载Haar或LBP对象或人脸检测器  
CascadeClassifier faceDetector;  
std::string faceCascadeFilename = “cascade.xml”;

//友好错误信息提示
    try {
    	faceDetector.load(faceCascadeFilename);
    }
    catch (cv::Exception e) {}
    if (faceDetector.empty())
    {
    	std::cerr << "人脸检测器不能加载 (";
    	std::cerr << faceCascadeFilename << ")!" << std::endl;
    	exit(1);
    }
    //打开摄像头
    VideoCapture camera(0);
    Mat camerFrame, gray;
    while (1)
    {
    	camera >> camerFrame;
    	cvtColor(camerFrame, gray, COLOR_BGR2GRAY);
    	//直方图均匀化(改善图像的对比度和亮度)
    	Mat equalizedImg;
    	equalizeHist(gray, equalizedImg);
    
    	//人脸检测
    	std::vector<Rect> faces;
    	faceDetector.detectMultiScale(equalizedImg, faces, 1.1f, 15, CASCADE_FIND_BIGGEST_OBJECT, Size(30,30));
    	//画矩形框
    	for (size_t i = 0; i < faces.size(); i++)
    	{
    		if (faces[i].height > 0 && faces[i].width > 0)
    		{
    			cv::rectangle(camerFrame, faces[i], cv::Scalar(255, 0, 0), 1, 8, 0);     //Scalar绘制的颜色，分别是R,G，B
    
    		}
    	}
    
    	imshow("原图", camerFrame);
    	waitKey(20);
    }

\}  
然后调试运行：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 12]  
总结：由于在上面训练的样本选太少了，训练出来的效果不太好，识别不佳，而且训练几百张图片，花了好几个小时，电脑太垃圾了，没有OpenCV自带的人脸检测的文件那么好，但是总算知道了如何自己训练出XML文件。有不对的地方请多多包涵，有错误欢迎大家指正，谢谢。  
![在这里插入图片描述][20200302212606810.png]  
最后感谢两位博主：  
https://blog.csdn.net/Coulson\_Zhao/article/details/80980408  
https://blog.csdn.net/qq\_32502511/article/details/79010509

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70]: /images/20221120/5024648e61fa457fb8cdcc99e47416b8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 1]: /images/20221120/3ec5cc68cf9449f7a882daa9a320dcfb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 2]: /images/20221120/f616a4a8705642f6948bb66b8bb987ed.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 3]: /images/20221120/d41a76fd3c114dc99fb502617409053b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 4]: /images/20221120/218e995c6a97418da158a86906e20213.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 5]: /images/20221120/9547e1c83acd4913a4b897a8be855610.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 6]: /images/20221120/06c139f59d0e4d7886fa3a662abad3a9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 7]: /images/20221120/cb374939f4a44b7daea69df8a3ac4dc1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 8]: /images/20221120/42490e96fd464b28930ff89aed623318.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20200302144324695.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/20200302144227849.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 11]: https://img-blog.csdnimg.cn/20200302211330896.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw_size_16_color_FFFFFF_t_70 12]: https://img-blog.csdnimg.cn/20200302211915652.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xITEFMVw==,size_16,color_FFFFFF,t_70
[20200302212606810.png]: https://img-blog.csdnimg.cn/20200302212606810.png