关于训练分类器制作XML文档时需要的两个exe应用程序的解释。
opencv_createsamples :用来准备训练用的正样本数据和测试数据。opencv_createsamples 能够生成能被opencv_haartraining 和 opencv_traincascade 程序支持的正样本数据。它的输出为以 *.vec 为扩展名的文件,该文件以二进制方式存储图像。 opencv_traincascade :支持 Haar和 LBP(Local Binary Patterns) 两种特征,并易于增加其他的特征。opencv_haartraining 是一个将被弃用的程序(Opencv3.0版本中没有)。opencv_traincascade 可以旧格式导出选练好的级联分类器。
整个过程分为两步:
opencv_traincascade.exe -data data -vec D:/Opencv/build/x64/vc12/bin/a.vec -bg H:/negdata/bg.txt –numPos 10 –numNeg 100 -numStages 4 -w 32 -h 32 -featureType HAAR -precalcValBufSize 1 -precalcIdxBufSize 1
一、训练时存储在变量中的参数(9个参数)
参数 | 说明 |
---|---|
data | 训练的分类器的存储目录 |
vec | 正样本文件,由open_createsamples.exe生成,正样本文件后缀名为.vec |
bg | 负样本说明文件,主要包含负样本文件所在的目录及负样本文件名 |
numPos | 每级分类器训练时所用到的正样本数目,应小于vec文件中正样本的数目,具体数目限制条件为:numPos+(numStages-1)numPos(1-minHitRate)<=vec文件中正样本的数目 |
numNeg | 每级分类器训练时所用到的负样本数目,可以大于-bg指定的图片数目 |
numStages | 训练分类器的级数,强分类器的个数 |
precalcValBufSize | 缓存大小,用于存储预先计算的特征值,单位MB |
precalcIdxBufSize | 缓存大小,用于存储预先计算的特征索引,单位MB |
baseFormatSave | 仅在使用Haar特征时有效,如果指定,级联分类器将以老格式存储 |
二、存储在参数类中的参数()
1、存储CvCascadeParams的对象中的参数(4个参数)
参数 | 说明 |
---|---|
stageType | 级联类型,目前只能取BOOST |
featureType | 训练使用的特征类型,目前支持的特征有Haar,LBP和HOG |
w | 训练的正样本的宽度,Haar特征的w和h一般为20,LBP特征的w和h一般为24,HOG特征的w和h一般为64 |
h | 训练的正样本的高 |
2、存储在CvCascadeBoostParams的对象中的参数(6个参数)
参数 | 说明 |
---|---|
bt | 训练分类器采用的Adaboost类型 |
minHitRate | 影响每个强分类器阈值,每一级分类器最小命中率,表示每一级强分类器对正样本的的分类准确率 |
maxFalseAlarm | 最大虚警率,影响弱分类器的阈值,表示每个弱分类器将负样本误分为正样本的比例,一般默认值为0.5 |
weightTrimRate | 0-1之间的阈值,影响参与训练的样本,样本权重更新排序后(从小到大),从前面累计权重小于(1-weightTrimRate)的样本将不参与下一次训练,一般默认值为0.95 |
maxDepth | 每一个弱分类器决策树的深度,默认是1,是二叉树(stumps),只使用一个特征。 |
maxWeakCount | 每级强分类器中弱分类器的最大个数,当FA降不到指定的maxFalseAlarm时可以通过指定最大弱分类器个数停止单个强分类器 |
mode | 值为BASIC、CORE、ALL三种,根据值不同采用不同的Haar特征,BASIC是基本的Haar特征,CORE是所有的上下Haar特征,ALL是使用所有的Haar特征 |
在用opencv_traincascade训练分类器的时候,遇到了报错如下: Train dataset for temp stage can not be filled. Branch training terminated.
看下面cascadeclassifier.cpp的源代码:
for( int i = startNumStages; i < numStages; i++ )
{
cout << endl << "===== TRAINING " << i << "-stage =====" << endl;
cout << "<BEGIN" << endl;
if ( !updateTrainingSet( tempLeafFARate ) )
{
cout << "Train dataset for temp stage can not be filled. "
"Branch training terminated." << endl;
break;
}
...
bool CvCascadeClassifier::updateTrainingSet( double& acceptanceRatio)
{
int64 posConsumed = 0, negConsumed = 0;
imgReader.restart();
int posCount = fillPassedSamples( 0, numPos, true, posConsumed );
if( !posCount )
return false;
cout << "POS count : consumed " << posCount << " : " << (int)posConsumed << endl;
int proNumNeg = cvRound( ( ((double)numNeg) * ((double)posCount) ) / numPos ); // apply only a fraction of negative samples. double is required since overflow is possible
int negCount = fillPassedSamples( posCount, proNumNeg, false, negConsumed );
if ( !negCount )
return false;
curNumSamples = posCount + negCount;
acceptanceRatio = negConsumed == 0 ? 0 : ( (double)negCount/(double)(int64)negConsumed );
cout << "NEG count : acceptanceRatio " << negCount << " : " << acceptanceRatio << endl;
return true;
}
1)负样本描述文件neg.txt不能带路径名,即 : -bg neg.txt 是合法的, -bg negdata/neg.txt是非法的。所以必须把neg.txt文件跟exe文件放在同一个目录下 2)当切换了操作系统时,会因为txt文件的格式问题而导致了负样本读取失败。比如:在windows操作系统下生出了neg.txt,但是在ubuntu下进行训练,这样就会导致错误,这是因为windows下txt文件换行符’\r’在ubuntu下无法识别
在用opencv_traincascade训练分类器的时候,遇到了报错如下: “Cascade classifier can’t be trained. Check the used training parameters.”
正样本数量必须大于10,需要重新创建数据集并重新试验。
N 为训练层数 HR 击中率, FA 虚警,只有当每一层训练的FA低于你的命令中声明的maxfalsealarm数值才会进入下一层训练
1.如果出现 Parameters can not be written, because file traincascade/params.xml can not be opened 错误,则自己需要手动创建一个文件夹 traincascade; 2.如果出现如下问题. Traincascade Error:Bad argument(Can not get new positive sample.The most possible reason is insufficient count of samples in given vec-file. 记得一定要numPos小于vec_file文件里面的数 一般numPos为0.9*num_in_vec或者为0.8*num_in_vec
1.http://blog.csdn.net/kevin_ut/article/details/5838389 2.http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html#id9 3.http://answers.opencv.org/question/16868/error-in-train-casacde/ 4.http://blog.csdn.net/xidianzhimeng/article/details/10470839