用opencv的traincascade.exe训练行人的HAAR、LBP和HOG特征的xml
看到一篇论文上讲到可以用adaboost分类器进行行人检测,就想自己动手训练一下分类器,折腾了两周终于训练成功了。。。 opencv中有两个函数可以训练分类器opencv_haartraining.exe和opencv_traincascade.exe,前者只能训练haar特征,后者可以用HAAR、LBP和HOG特征训练分类器。这两个函数都可以在opencvbuildx86vc10bin文件夹下找到,opencv_haartraining.exe训练的adaboost级联分类器有很多了,本文主要讲opencv_haartraining.exe训练的LBP和HOG特征的分类器。 训练的过程包过四步: 首先是样本的准备、其次是对样本进行处理、再次生成样本描述文件、最后一步是训练分类器。 1、样本的准备 以行人训练为例,首先正样本是各种各样的行人的照片,负样本就是非人照片。样本个数最好在上千个,个数太少训练出来的分类器不能准确的检测行人,网上对正负样本的个数比例不尽相同,有的说3:1有的说7:3,具体的还是要自己去实验,我用的正样本有2000个负样本1200个。把正负样本分别放在不同的文件夹下,可以命名为pos、neg。同时也要把opencv自带的训练函数和正负样本一起放到一个文件夹下,例如放到E盘的boost文件夹下。如图这样就准备好了正负样本了。 ps:对正负样本的几点说明。。。 正负样本都要转化成灰度图,而且对于正样本用haar特征训练是规格化成20*20或其他大小,最好不要太大,过多的haar特征会影响分类器的训练时间;对于LBP特征正样本要规格化为24*24大小,而对于HOG要规格化成64*64. 负样本对尺寸没有统一要求,在训练对应的分类器时,选择的负样本尺寸一定要大于等于正样本规定的尺寸。 a,正样本就是人的图片就行了,尽量包含少的背景。 b,负样本有两点要求:一,不能包含正样本且尽可能多的提供场景的背景图;二,负样本尽可能的多,而且要多样化,和正样本有一定的差距但是差别也不要太大,否则容易在第一级就全部被分类器reject,训练时不能显示负样本的个数,从而导致卡死。 2、对样本进行处理 以下的处理过程都是在命令行下进行的,在计算机【开始】里面输入“cmd”就可以进入命令行了。。。。。。 然后进入你刚才新建的包含以上样本的文件夹下 首先进入E盘 直接输入E:就可以了,其次输入“cd boost”就可以进入刚才的文件夹下。输入“CD..”可以返回上一程 输入dir /b >pos.txt 可以在pos文件夹下生成正样本描述文件,文件是txt文件,包含的内容是正样本中图片的对应序号和格式。把其中的格式jpg改成jpg 1 0 0 24 24 后面的0 0 24 24是你规格化图片的大小,即矩形框的大小,和你自己规格化的正样本图片大小要保持一致。全部替换以后,再把最后一行的pos.txt删除就可以了。对于负样本,以上生成方式一样,不需要对txt文件的图片格式进行修改,只需要删除最后一行的neg.txt即可。这样正负样本就处理好了。。。 3、生成样本描述文件 对正负样本进行以上预处理之后,就可以创建正样本vec文件了。 命令行进入opencv_createsamples.exe文件夹下,依次输入:opencv_createsamples.exe -info pospos.txt -vec pos.vec -bg negneg.txt -num 2000 -w 24 -h 24 回车之后文件夹下就会出现pos.vec文件。
以上参数的含义如下: -inv:如果指定,颜色会反色 4、训练分类器 在以上准备工作都做好的情况下,就可以进行训练分类器了。 在cmd命令行下输入:opencv_traincascade.exe -data xml -vec pos.vec -bg negneg.txt -numpos 1800 -numneg 1200 -numstages 20 -featureType LBP -w 24 -h 24 按enter就可以进入训练阶段了。 opencv_traincascade.exe的命令行参数解释如下:
通用参数: -data <cascade_dir_name>:目录用于保存训练产生的分类器xml文件和中间文件(对于上面的LBP_classifier),如不存在训练程序会创建它; -vec <vec_file_name>:由 opencv_createsamples 程序生成的包含正样本的vec文件名(对应上面的pos_24_24.vec); -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(对应上面的negneg.txt); -numPos <number_of_positive_samples>:每级分类器训练时所用的正样本数目(默认值为2000); -numStages <number_of_stages>:训练的分类器的级数(默认值为20级); -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(默认值为256); 内存越大,训练时间越短。 级联参数:CvCascadeParams类,定义于cascadeclassifier.h Boosted分类器参数:CvCascadeBoostParams类,定义于boost.h
等到分类器训练到你自己设定的级数 就完成了。最后得到的cascad.xml就是我们需要的结果。
好了,到这里自己的分类器就训练完成了,下面就可以用得到的xml文件进行检测了。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |