ubuntu下openCV-Ｈaar特征分类器训练

时间  2020-03-25
标签 ubuntu opencv haar 特征 分类器 训练 栏目 Ubuntu 繁體版
原文   原文链接

ubuntu下openCV-Ｈaar特征分类器训练

  • 这段时间在学openCV，准备作一个头部检测，可是openCV自带的分类器只有人脸检测的，并且准确度不高，就准备本身训练一个分类器。在网上看了不少的博客，都讲得不是很清楚，并且全是在windows上训练的，对与用习惯linux的我来讲，用cmd实在是太痛苦了，而我没有在网上找到这方面的博客，甚至连opencv_createsamples和 opencv_traincascade在哪都没说只说在openCV目录下，可是直接安装的openCV下不少是没有的，对于新手来说会很是迷茫，彻底搞不懂。html

  • 而后我就到github上看openCV的仓库，发现仓库的apps目录下有分类器源码，以为能够本身在linux下编译一个训练器python

  • 进过几回尝试，我发现openCV4以上版本源码编译出来是没有我须要的这两个训练器的，3一下版本的会报错，具体什么缘由我不清楚，openCV-3.4.9版本的彻底没有问题linux

1、安装Cmake

一、安装方法一

sudo apt install cmake

２、安装方法二

2.1 CMake 下载地址

2.2 安装配置

  • 解压：tar zxvf cmake-3.16.5-Linux-x86_64.tar.gz 缓存

  • 移到opt目录下：mv cmake-3.16.5-Linux-x86_64 /optapp

  • 创建软链接：ln -s /opt/cmake-3.16.5-Linux-x86_64/bin/* /usr/binide

  • 检测安装是否成功：

    • cmake --version

      cmake version 3.16.5
      CMake suite maintained and supported by Kitware (kitware.com/cmake).

2、编译openCV

１、下载

二、安装依赖

  • 下面的步骤已经在Ubuntu10.04上测试过了，可是也能够在其余发行版上使用。

  • 必需的包

    • GCC 4.4.x 或更新

    • CMake 2.8.7 或更高版本

    • Git

    • GTK+2.x 或更高版本, including 头 (libgtk2.0-dev)

    • pkg-config

    • Python 2.6或更高版本以及带有开发人员包的Numpy 1.5或更高版本(Python -dev, Python - Numpy)

    • ffmpeg或libav开发包：libavcodec-dev，libavformat-dev，libswscale-dev

    • [可选] libtbb2 libtbb-dev

    • [可选] libdc1394 2.x

    • [可选] libjpeg-dev, libpng-dev, libtiff-dev, libjasper-dev, libdc1394-22-dev

    • [可选] CUDA Toolkit 6.5 or higher

  • sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"
    sudo apt-get install build-essential
    # 若是安装了cmake 和git 的能够删下面的选项
     sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
     sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

三、编译

  • 解压:unzip mirrors-opencv-3.4.9.zip

  • cd opencv
    mkdir build    # 编译会生成不少文件，最好建一个文件夹来保存
    cd build    
    cmake ../         # 生成makefile
    make                 # 使用makefile编译     时间会很长，二十分钟的样子

  • 编译好后就能够找咱们须要的训练器了

    cd build/bin          # 这样就能够看见了

3、训练分类器

１、教程：

２、准备样本

  • 建立pos目录装正样本

    • 正负样本都要转化成灰度图，并且对于正样本用haar特征训练是规格化成20×20或其余大小，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，选择的负样本尺寸必定要大于等于正样本规定的尺寸。

  • 建立neg目录装负样本

    • 负样本有两点要求：1）不能包含正样本且尽量多的提供场景的背景图；2）负样本尽量的多，并且要多样化，和正样本有必定的差距可是差异也不要太大，不然容易在第一级就所有被分类器reject，训练时不能显示负样本的个数，从而致使卡死。

  • 建立xml目录装训练数据

  • 将训练器opencv_createsamples opencv_traincascade拷贝到当前路径下

  • ls -rt pos > pos.txt    # pos.txt 正样本相对路径表
    ls -rt neg > neg.txt　# neg.txt 负样本相对路径表

  • 修改pos.txt和neg.txt

  • gedit pos.txt

  • Ctrl + A 全选　，而后按Tab 键

  • 选一个空格

  • 选择查找替换

  • 所有替换，neg.txt的这一步替换长neg/

  • pos.txt还须要多一步，不然会报错，1 表明个数　0 0 表明照片的起点坐标，50 50 为个人照片的大小

３、生成描述文件

  • ./opencv_createsamples -info pos.txt -vec pos.vec -bg neg.txt -num 2874 -w 50 -h 50

  • 以上参数的含义以下： －vec <vec_file_name>：训练好的正样本的输出文件名。 －img<image_file_name>：源目标图片 －bg<background_file_name>：背景描述文件。 －num<number_of_samples>：要产生的正样本的数量，和正样本图片数目相同。 －bgcolor<background_color>：背景色。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh 和bgcolor＋bgthresh 中间的像素被认为是透明的。 －bgthresh<background_color_threshold>

    －inv：若是指定，颜色会反色 －randinv：若是指定，颜色会任意反色 －maxidev<max_intensity_deviation>：背景色最大的偏离度。 －maxangel<max_x_rotation_angle>， －maxangle<max_y_rotation_angle>， －maxzangle<max_x_rotation_angle>：最大旋转角度，以弧度为单位。 －show：若是指定，每一个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而建立过程 继续。这是个有用的debug 选项。 －w<sample_width>：输出样本的宽度（以像素为单位） －h<sample_height>：输出样本的高度（以像素为单位）

    只须要对正样本进行以上操做，负样本不须要生成vec文件。。。

４、训练

  • 注意：这里要找一台好一点的电脑训练，我训练一万的样本，从最开始一天训练一级，而后每级的时间增长半天，到第五级已经差很少须要三天了，预计到20级没一两月搞不定

  • ./opencv_traincascade -data xml -vec pos.vec -bg neg.txt -numPos 2000 -numNeg 7370  -numStages 20 -featureType HAAR -w 50 -h 50   
    # 注意大小写，写错可能不会报错，可是识别不了，就会使用默认值，这里我就被坑过
    # 训练时间会很是很是长，我第一次用了198正样本、368负样本就训练了一个晚上，第二次用两千多的正样本，三千多的负样本就更长了，可是训练中途断了再执行命令时会继续上一次训练
    # 注意 ：这里的-numPos *** 必定要比 准备.vec文件时的 -num *** 小，不然在训练时可能会报错，显示找不到更多正样本

  • 像我这里输入-numPos 2000 ，在训练到第三级时就须要2018个正样本，若是.vec里只有2000个就会找不到新的正样本，从而报错

  • 以上参数的含义以下：

    -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，如不存在训练程序会建立它；

    -vec <vec_file_name>：由 opencv_createsamples 程序生成的包含正样本的vec文件名；

    -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

    -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）； -numNeg <number_of_negative_samples>：每级分类器训练时所用的负样本数目，能够大于 -bg 指定的图片数目（默认值为1000）；

    -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）； -precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>：缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB（默认值为256）；

    内存越大，训练时间越短。 -baseFormatSave：这个参数仅在使用Haar特征时有效。若是指定这个参数，那么级联分类器将以老的格式存储（默认不指定该参数项，此时其值为false；一旦指定则其值默认为true）；

    级联参数：CvCascadeParams类，定义于cascadeclassifier.h -stageType <BOOST(default)>：级别（stage）参数。目前只支持将BOOST分类器做为级联的类型； -featureType<{HAAR(default), LBP}>：特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征（默认Harr）； -w <sampleWidth>：训练样本的宽（单位为像素，默认24）； -h <sampleHeight>：训练样本的高（单位为像素，默认24）； 训练样本的尺寸必须跟训练样本建立（使用 opencv_createsamples 程序建立）时的尺寸保持一致。

    Boosted分类器参数：CvCascadeBoostParams类，定义于boost.h -bt <{DAB, RAB, LB, GAB(default)}>：Boosted分类器的类型（DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost为默认）； -minHitRate <min_hit_rate>：分类器的每一级但愿获得的最小检测率（默认值为0.995），总的检测率大约为 min_hit_rate^number_of_stages； -maxFalseAlarmRate <max_false_alarm_rate>：分类器的每一级但愿获得的最大误检率（默认值为0.5），总的误检率大约为 max_false_alarm_rate^number_of_stages； -weightTrimRate <weight_trim_rate>：Specifies whether trimming should be used and its weight，一个还不错的数值是0.95； -maxDepth <max_depth_of_weak_tree>：弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）；

    -maxWeakCount <max_weak_tree_count>：每一级中的弱分类器的最大数目（默认值为100）。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate；

  • 最后等一夜就能够获得训练的分类器了,cascade.xml就是咱们的分类器

  • image-20200313023532502

4、分类器

5、测试程序

import  cv2
​
face = cv2.CascadeClassifier("./data/cascade.xml")  #人脸识别
cap = cv2.VideoCapture(2)
​
while True:
    ret, img = cap.read()
    roi_color = 0
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    #转换为灰度图片，haar特征都是在灰度上检测
    faces = face.detectMultiScale(gray,1.3,5)       #参数1：灰度图片数据   2:缩放比例 3：人脸大小不能小于5个像素
​
    # 获取宽高信息，我的脸画方框
    for (x,y,w,h) in faces:
        # img：要画的图片，(x,y)：起始坐标 ，(x+w,y+h)：宽高，颜色，线条宽度
        cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
    
    cv2.imshow('10',img)
    if cv2.waitKey(5) & 0xff == ord("q"):
        break
​
cap.release()
cv2.destroyAllWindows()
相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程