首页 > 代码库 > 机器学习-分类器-级联分类器训练（Train CascadeClassifier ）
机器学习-分类器-级联分类器训练（Train CascadeClassifier ）
一、简介：
adaboost分类器由级联分类器构成，"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。
分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域输出为1，否则输出为0。为了检测整副图像，在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，在图像中检测未知大小的目标物体，扫描过程中用不同比例大小的搜索窗口对图片进行扫描。
目标检测分为三个步骤：
1、 样本的创建 2、 训练分类器 3、 利用训练好的分类器进行目标检测。
二、样本收集
训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片，所有的样本图片都被归一化为同样的尺寸大小(例如，24x24)。负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。
三、准备训练数据
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。正样本是待检测的物体的图像。负样本必须手工准备，正样本使用opencv_createsamples 创建。
1、负样本
负样本可以是任意图像，但图像中不能包含待检测的物体。用于抠取负样本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，因为这些图像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：
假如目录结构如下：
/img img1.jpg img2.jpgbg.txt
则bg.txt文件中的内容将如下所示：
img/img1.jpgimg/img2.jpg
2、正样本
正样本由 opencv_createsamples 生成。正样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下，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的随机旋转、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 的命令行参数控制。
命令行参数：
-vec<vec_file_name>
输出文件，内含用于训练的正样本。
-img<image_file_name>
输入图像文件名（例如一个公司的标志）。
-bg<background_file_name>
背景图像的描述文件，文件中包含一系列的图像文件名，这些图像将被随机选作物体的背景。
-num<number_of_samples>
生成的正样本的数目。
-bgcolor<background_color>
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，颜色的容差可以由 -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。
-bgthresh<background_color_threshold>
-inv
如果指定该标志，前景图像的颜色将翻转。
-randinv
如果指定该标志，颜色将随机地翻转。
-maxidev<max_intensity_deviation>
前景样本里像素的亮度梯度的最大值。
-maxxangle<max_x_rotation_angle>
X轴最大旋转角度，必须以弧度为单位。
-maxyangle<max_y_rotation_angle>
Y轴最大旋转角度，必须以弧度为单位。
-maxzangle<max_z_rotation_angle>
Z轴最大旋转角度，必须以弧度为单位。
-show
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。
-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）。
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转。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 指定的大小。最后将图像存入vec文件，vec文件名由命令行参数-vec 指定。
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：
假设目录结构如下：
/img img_with_faces_1.jpg img_with_faces_2.jpginfo.dat
文件info.dat里的内容如下：
img/img_with_faces_1.jpg 1 140 100 45 45img/img_with_faces_2.jpg 2 100 200 50 50 50 30 25 25
图像img_with_faces_1.jpg中包含一个物体实例（如人脸），标示其在图像中的位置和大小的矩形为(140, 100, 45, 45)。图像img_with_faces_2.jpg包含两个物体实例。
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：
-info<collection_file_name>
描述物体所在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，然后保存到输出的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 。
opencv_createsamples 也可以用来查看和检查保存于vec正样本文件中的正样本。这时只需指定-vec ，-w 和 -h 三个参数则可。opencv_createsamples 将逐一显示正样本图像。
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。
一个vec文件的例子位于 opencv/data/vec_files/trainingfaces_24-24.vec 。它可用来训练人脸分类器，窗口大小为：-w24-h24 。
三、训练级联分类器
下一步是训练分类器。如前面所述， opencv_traincascade 和opencv_haartraining 都可用来训练一个级联分类器，但是此处只介绍opencv_traincascade 。opencv_haartraining 的用法与opencv_traincascade 类似。
下面是 opencv_traincascade 的命令行参数，以用途分组介绍：
通用参数：
-data<cascade_dir_name>
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<vec_file_name>
包含正样本的vec文件名（由 opencv_createsamples 程序生成）。
-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。
-numNeg<number_of_negative_samples>
每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目。
-numStages<number_of_stages>
训练的分类器的级数。
-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。
-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。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。如果指定这个参数，那么级联分类器将以老的格式存储。
级联参数：
-stageType<BOOST(default)>
级别（stage）参数。目前只支持将BOOST分类器作为级别的类型。
-featureType<{HAAR(default),LBP}>
特征的类型： HAAR - 类Haar特征；LBP - 局部纹理模式特征。
-w<sampleWidth>
-h<sampleHeight>
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。
Boosted分类器参数：
-bt<{DAB,RAB,LB,GAB(default)}>
Boosted分类器的类型： DAB - Discrete AdaBoost,RAB - Real AdaBoost,LB - LogitBoost, GAB - Gentle AdaBoost。
-minHitRate<min_hit_rate>
分类器的每一级希望得到的最小检测率。总的检测率大约为 min_hit_rate^number_of_stages。
-maxFalseAlarmRate<max_false_alarm_rate>
分类器的每一级希望得到的最大误检率。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。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given-maxFalseAlarmRate.
类Haar特征参数：
-mode<BASIC(default)|CORE|ALL>
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[Rainer2002] 。
LBP特征参数：
LBP特征无参数。
当 opencv_traincascade 程序训练结束以后，训练好的级联分类器将存储于文件cascade.xml中，这个文件位于-data 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。
训练结束后就可以测试训练好的级联分类器了.
机器学习-分类器-级联分类器训练（Train CascadeClassifier ）