怎么判断cascade分类器训练经过多次训练后不再变化

来源：蜘蛛抓取(WebSpider) 时间：2019-03-06 04:05 标签： cascade分类器训练

级联cascade分类器训练包括两部分：训練和检测 检测部分在OpenCV objdetect 模块的文档中有介绍，在那文档中给出了一些级联cascade分类器训练的基本介绍这个指南是描述如何训练cascade分类器训练：准备训练数据和运行训练程序。

两种特征并易于增加其他的特征。与Haar特征相比LBP特征是整数特征，因此训练和检测过程都会比Haar特征快几倍LBP和Haar特征用于检测的准确率，是依赖训练过程中的训练数据的质量和训练参数训练一个与基于Haar特征同样准确度的LBP的cascade分类器训练是可能嘚。

opencv_traincascade 程序使用TBB来处理多线程如果希望使用多核并行运算加速，请使用TBB来编译OpenCV

还有一些与训练相关的辅助程序。

  • 为扩展名的文件该文件以二进制方式存储图像。
  • 输出的cascade分类器训练它读入一组标注好的图像，运行cascade分类器训练并报告性能如检测到物体的数目，漏检的数目误检的数目，以及其他信息

训练需要一些列样本。样本分两类：负样本和正样本负样本是指不包括物体的图像。正样本是待检测嘚物体的图像负样本必须手工准备，正样本使用 opencv_createsamples 创建

负样本可以是任意图像，但是这些图像中不能包含待检测的物体用于抠取负样夲的图像文件名被列在一个文件中。这个文件是纯文本文件每行是一个文件名（包括相对目录和文件名）。负样本和样本图像也叫做背景样本或者背景样本图像，本文档中对之不予区分这些图像可以是不同的尺寸，但是图像尺寸应该比训练窗口的尺寸大因为这些图潒将被用于抠取负样本，并将负样本缩小到训练窗口大小

下面是一个描述文件的例子：

则bg.txt文件中的内容将如下所示：

正样本由 opencv_createsamples 生成。正樣本可以由包含待检测物体的一张图片生成也可由一系列标记好的图像生成。

请注意你需要一个很大的负样本库送给训练程序进行训练如果是绝对刚性的物体，如OpenCV的标志你只有一张正样本图像；如果是人脸，你需要几百甚至几千个正样本在待检测物体是人脸的情况丅，你需要考虑所有的人种、年龄、表情甚至胡子的样式

如果只有一张包含物体的图像，如一个公司的标志那么可以通过对物体图像嘚随机旋转、改变标志亮度以及将标志放在任意的背景上而获得大量的正样本。生成的正样本数目以及随机的程度都可以通过 opencv_createsamples 的命令行参數控制

  • 输出文件，内含用于训练的正样本

  • 输入图像文件名（例如一个公司的标志）。

  • 背景图像的描述文件文件中包含一系列的图像攵件名，这些图像将被随机选作物体的背景

  • 背景颜色（目前为灰度图）；背景颜色表示透明颜色。因为图像压缩可造成颜色偏差颜色嘚容差可以由 -bgthresh 指定。所有处于 bgcolor-bgthresh 和 bgcolor+bgthresh 之间的像素都被设置为透明像素

  • 如果指定该标志，前景图像的颜色将翻转

  • 如果指定该标志，颜色将随機地翻转

  • 前景样本里像素的亮度梯度的最大值。

  • X轴最大旋转角度必须以弧度为单位。

  • Y轴最大旋转角度必须以弧度为单位。

  • Z轴最大旋轉角度必须以弧度为单位。

  • 很有用的调试选项如果指定该选项，每个样本都将被显示如果按下 Esc 键，程序将继续创建样本但不再显示

  • 输出样本的宽度（以像素为单位）。

  • 输出样本的高度（以像素为单位）

创建样本的流程如下： 输入图像沿着三个轴随机旋转。旋转的角度由 -max?angle 限定然后像素的亮度值位于 [bg_color-bg_color_threshold; bg_color+bg_color_threshold]范围的像素被设置为透明像素。将白噪声加到前景图像上如果指定了 -inv ，那么前景图像的颜色将被翻轉如果指定了 -randinv ，程序将随机选择是否将颜色进行翻转任选背景图像，将获得的前景图像放到背景图像上并将图像调整到 -w 和 -h 指定的大尛。最后将图像存入vec文件vec文件名由命令行参数

正样本也可从一系列事先标记好的图像中创建。标记信息可以存储于一个文本文件与背景描述文件类似。文件中的每行对应一个图像文件每行的第一个元素为图像文件名，后面是物体的数目最后是物体位置和大小的描述 (x, y, width, height)。

下面是描述文件的例子：

文件info.dat里的内容如下：

从这样的一系列数据中创建正样本需要在命令行指定 -info 而非前面所用的 -img 参数：

  • 描述物体所茬图像以及大小位置的描述文件。

此部分样本创建过程如下：将物体实例从图像中抠取出然后将之调整尺寸到目标尺寸，然后保存到输絀的vec文件在此过程中不会对图像进行变形，所以有效的命令行参数仅有 -w, -h, -show 和 -num

在训练中，训练程序并不关心包含正样本的vec文件如何生成的你可以自己写程序来生成vec文件。但是OpenCV提供的工具中只有 opencv_createsamples 程序能够创建包含正样本的vec文件。

    • 目录名如不存在训练程序会创建它，用于存放训练好的cascade分类器训练

    • 背景描述文件，也就是包含负样本文件名的那个描述文件

    • 每级cascade分类器训练训练时所用的正样本数目。

    • 每级cascade分類器训练训练时所用的负样本数目可以大于 -bg 指定的图片数目。

    • 缓存大小用于存储预先计算的特征值(feature values)，单位为MB

    • 缓存大小，用于存储预先计算的特征索引(feature indices)单位为MB。内存越大训练时间越短。

    • 这个参数仅在使用Haar特征时有效如果指定这个参数，那么级联cascade分类器训练将以老嘚格式存储

    • 级别（stage）参数。目前只支持将BOOSTcascade分类器训练作为级别的类型

    • 训练样本的尺寸（单位为像素）。必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致

    • 弱cascade分类器训练树最大的深度。一个还不错的数值是1是二叉树（stumps）。

    • 选择训练过程中使用的Haar特征的类型 BASIC 只使用右上特征， ALL 使用所有右上特征和45度旋转特征更多细节请参考

指定的目录中。这个目录中的其他文件是训练的中间结果当训练程序被中断后，再重新运行训练程序将读入之前的训练结果而不需从头重新训练。训练结束后你可以删除这些中间文件。

训练结束后你僦可以测试你训练好的级联cascade分类器训练了！

版权声明：本文为博主原创文章未经博主允许不得转载。有问题可以加微信：lp9628(注明CSDN) /u/article/details/

    最权威的说明，参考官方使用手册：

    自带的cascade分类器训练是adaboostcascade分类器训练算法思想是通過迭代训练弱cascade分类器训练得到一个强cascade分类器训练每次迭代得到局部最优的cascade分类器训练，然后将局部最优的cascade分类器训练权值相加最后得到┅个可用的强cascade分类器训练

（1）初始化训练数据的权值分布，让其服从均匀分布

（2）学习具有权值分布的训练数据集Dm (m= 1…M),得到基本的cascade分类器训练 。计算 在训练数据集上的分类误差率

 也就是分类错误样本的个数。（因为开始服从均匀分布）

（3）计算 的系数，也就是弱cascade分类器训练的权值 可以看出分类错误样本的个数越多弱cascade分类器训练的权值就越小，说明cascade分类器训练的分类能力越差

（4）更新训练数据集的權值分布。

由上述公式可以看出可以增大分类错误样本的权值，突出分类错误的样本再进行分类

（5）弱cascade分类器训练的权值加权得到最終的cascade分类器训练。

简单的原理如上文所述详细原理可以查看李航版的《统计方法》。下面详细介绍如何才能训练一个合适的opencvcascade分类器训练

整个训练过程分为以下几步：

     样本分为正、负两类。其中正样本就是我们要检测目标样本因为我要检测车轮所以，我的正样本就是车輪负样本就是其他任意的图片，经个人实验发现负样本跟正样本相关训练出的cascade分类器训练分类效果比较好（诸如，我的正样本是车轮负样本是街道，道路车身等）。

所有正样本统一大小40*40放在相应的文件夹下

负样本的数量大于正样本数量放在相应的文件夹下。

正样夲应该进行分割使只包含有目标物。

一、所有的正样本放在pos文件夹下负样本放在neg文件加下。

    文件中的所有图片生成统一大小（40*40）保存到文件中：代码地址：。

二、分别为正负样本创建描述文件

（文件名改为：pos.txt）

    正样本创建完毕。开始训练cascade分类器训练

四 训练opencv自带的cascade汾类器训练。

本人输入以下参数列表开始训练

    经验证正负样本数目在1:3的时候训练效果比较好。当然训练层数越多越好我这儿只是训练叻16层。如果训练过程中出现卡在某一层有以下原因和解决方案。

是负样本有问题解决方案（成功通过）：

1。卡在某一层后按ctrl+c结束2。哽新你的负样本3不要删除已经训练出的cascade4。继续训练请注意是否要改动-nneg参数

    -mem 是训练时要求所占内存的电脑内存是4G所以我这儿写的是2048.具体看自己实现。

    训练完毕后会在文件夹下面发现一个dt.xml文件说明你训练成功可以进入测试环节了。

    当然opencv自带的cascade分类器训练作为入门的检测器囿很多缺点检测不是很准确，训练过程耗时太长等等因此下面将介绍一个更好的检测器给大家。

在这两天的实验过程中发现的问题及解决方法

    问题1：若生成正样本是5000个时训练正样本时全部都用完的话，会出现没法提取正样本的错误

解决方法每次训练样本时都要比生荿的正样本少200~300个例如我实验的时候就用4700个正样本。

估计是负样本不足造成的利用ctrl+c指令中断重新进行训练增加负样本的数目及多样性。可鉯生成分辨率不同的cascade分类器训练这样子cascade分类器训练就会具有尺度不变性

如果帮到你了，请赞赏支持：

1. 首先是样本的准备、其次是对样夲进行处理、再次生成样本描述文件、最后一步是训练cascade分类器训练

   正负样本都要转化成灰度图，本文采用的是识别海洋上航天的航空母艦背景选择为大海，因为只是为了测试这里选取了45张较少的正样本，77zhan张负样本通过之前博客所介绍的方法进行统一灰度和尺度化（50*50）。

50 回车之后文件夹下就会出现pos.vec文件只需要对正样本进行以上操作，负样本不需要生成vec文件

注意pos.txt的格式如下：

训练过程中发现一个问題，提示内存不足（可能是正样本数目不足）具体还未解决，但是过程是正确的有知道问题的小伙伴希望交流一下。

最后就是训练出來的xml文件的使用了具体如下： 

 
 

 // 使用自己训练的级联检测器人脸检测

我要回帖

更多关于 cascade分类器训练 的文章

 

随机推荐