1.说明
- opencv安装包中有训练好的分类器文件，可以实现人脸的识别。当然，我们也可以训练自己的分类器文件，实现对特定物体的识别。本文章就详细介绍下如何训练自己的分类器文件。
2.效果
- 我训练的是检测苹果的的分类器文件，可以实现对苹果的识别。
3.准备
3.1 程序准备
- 训练自己的分类器文件，需要用到两个程序 : opencv_createsamples.exe和opencv_traincascade.exe
- opencv最新的安装包中没有这两个程序，我们可以下载 3.4.14这个版本的安装包进行安装。
- opencv安装包 : opencv-3.4.14-vc14_vc15.exe
- 安装完成后，在这个目录下就会有这两个程序文件 opencv\build\x64\vc15\bin
3.2 样本数据准备
-
正样本数据 : 也就是我们需要检测的物体图片，可以自己用手机拍摄下你要检测的物体的图片，多拍摄一些不同角度的图片。
-
我的正样本数据在这个目录下 image\positive\img，大概有50多张图片
-
然后在image\positive目录下新建一个info.DAT文件，在其中记录正样本图片信息
-
参数介绍
- img/1.jpg : 文件路径和文件名
- 1：表示图片中有几个目标物体，一般一个就行了
- 0，0：目标物体起始坐标
- 1280，1706：目标物体大小
-
负样本数据：不包含我们要检测物体的图片，可以拍摄一些风景之类的图片，尽量多一些。
-
我的负样本数据在这个目录下 image\negitive\img
-
然后在image\negitive目录下新建一个bg.txt文件，在其中记录负样本图片信息
-
负样本图片信息我们只需记录路径和文件名就行了，但是这里要注意，路径名要写绝对路径，后面会说为什么。
3.3 正样本VEC文件创建
- 训练样本之前先要生成vec文件，要用到opencv_createsamples.exe程序
- opencv_createsamples.exe部分参数介绍
[-info ] # 记录样本数据的文件(就是我们刚才创建的info.data文件) [-img ] [-vec ] # 输出文件，内含用于训练的正样本。 [-bg ] # 背景图像的描述文件 [-num ] #样本数量（默认为1000） [-bgcolor ] #指定背景颜色 [-w ]#输出样本的宽度（以像素为单位） [-h ]#输出样本的高度（以像素为单位）
参考
- 在安装包的这个目录下opencv\build\x64\vc15\bin可以找到opencv_createsamples.exe程序，我们生成下vec文件
D:\opencv3.4.12\opencv\build\x64\vc15\bin\opencv_createsamples.exe -info C:\Users\lng\Desktop\image\positive\info.dat -vec C:\Users\lng\Desktop\image\sample.vec -num 58 -bgcolor 0 -bgthresh 0 -w 24 -h 24
- 在image目录下就生成了vec文件
4.样本数据训练
- 完成上面的准备工作，就可以开始训练样本。训练样本需要用到opencv_traincascaded.exe程序
- opencv_traincascaded.exe程序部分参数介绍
-data #目录名，如不存在训练程序会创建它，用于存放训练好的分类器 -vec #包含正样本的vec文件名 -bg #背景描述文件 [-numPos ] #每级分类器训练时所用的正样本数目 [-numNeg ] #每级分类器训练时所用的负样本数目 [-numStages ] #训练的分类器的级数 --cascadeParams-- [-featureType ] # 特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征 [-w ] #训练样本的尺寸（单位为像素） [-h ] #训练样本的尺寸（单位为像素） --boostParams-- [-minHitRate = 0.995>] #分类器的每一级希望得到的最小检测率 [-maxFalseAlarmRate ] #分类器的每一级希望得到的最大误检率
参考
- 在安装包的这个目录下opencv\build\x64\vc15\bin可以找到opencv_traincascade.exe程序，开始训练样本
- 这里注意下
- 指定-bg参数时，文件名前不能加路径，所以需要把刚才在image\negitive下创建的bg.txt文件拷贝到opencv_traincascade.exe程序所在目录下，所以要在bg.txt写负样本图片的绝对路径。
- 指定numPos参数时，因为每个阶段训练时有些正样本可能会被识别为负样本，故每个训练阶段后都会消耗一定的正样本。因此，此处使用的正样本数量绝对不能等于或超过positive文件夹下的正样本个数，一般留有一定的余量
- 指定-numNeg参数时，可以多于negitive目录下的负样本数量
D:\opencv3.4.12\opencv\build\x64\vc15\bin\opencv_traincascade.exe -data C:\Users\lng\Desktop\image -vec C:\Users\lng\Desktop\image\sample.vec -bg bg.txt -numPos 50 -numNeg 500 -numStages 12 -feattureType HAAR -w 24 -h 24 -minHitRate 0.995 -maxFalseAlarmRate 0.5
- 执行结果
PARAMETERS: cascadeDirName: C:\Users\lng\Desktop\image vecFileName: C:\Users\lng\Desktop\image\sample.vec bgFileName: bg.txt numPos: 50 numNeg: 500 numStages: 12 precalcValBufSize[Mb] : 1024 precalcIdxBufSize[Mb] : 1024 acceptanceRatioBreakValue : -1 stageType: BOOST featureType: HAAR sampleWidth: 24 sampleHeight: 24 boostType: GAB minHitRate: 0.995 maxFalseAlarmRate: 0.5 weightTrimRate: 0.95 maxDepth: 1 maxWeakCount: 100 mode: BASIC Number of unique features given Windowsize [24,24] : 162336 ===== TRAINING 0-stage ===== Training until now has taken 0 days 0 hours 0 minutes 1 seconds. ===== TRAINING 1-stage ===== Training until now has taken 0 days 0 hours 0 minutes 3 seconds. ===== TRAINING 2-stage ===== Training until now has taken 0 days 0 hours 0 minutes 5 seconds. ===== TRAINING 3-stage ===== Training until now has taken 0 days 0 hours 0 minutes 7 seconds. ===== TRAINING 4-stage ===== Training until now has taken 0 days 0 hours 0 minutes 11 seconds. ===== TRAINING 5-stage ===== Training until now has taken 0 days 0 hours 0 minutes 15 seconds. ===== TRAINING 6-stage ===== release(); std::cout
- 执行结果
- 在image目录下就生成了vec文件
- 在安装包的这个目录下opencv\build\x64\vc15\bin可以找到opencv_createsamples.exe程序，我们生成下vec文件
-
- 我训练的是检测苹果的的分类器文件，可以实现对苹果的识别。
