級聯分類器訓練

adaboost分類器由級聯分類器構成，"級聯"是指最終的分類器是由幾個簡單分類器級聯組成。在影象檢測中，被檢視窗依次通過每一級分類器，這樣在前面幾層的檢測中大部分的候選區域就被排除了，全部通過每一級分類器檢測的區域即為目標區域。

分類器訓練完以後，就可以應用於輸入影象中的感興趣區域的檢測。檢測到目標區域輸出為1，否則輸出為0。為了檢測整副影象，在影象中移動搜尋視窗，檢測每乙個位置來確定可能的目標。為了搜尋不同大小的目標物體，在影象中檢測未知大小的目標物體，掃瞄過程中用不同比例大小的搜尋視窗對進行掃瞄。

目標檢測分為三個步驟：

1、樣本的建立

2、訓練分類器

3、利用訓練好的分類器進行目標檢測。

二、樣本收集

訓練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標樣本，反例樣本指其它任意，所有的樣本都被歸一化為同樣的尺寸大小(例如，24x24)。負樣本可以來自於任意的，但這些不能包含目標特徵。負樣本由背景描述檔案來描述。

訓練需要一些列樣本。樣本分兩類：負樣本和正樣本。負樣本是指不包括物體的影象。正樣本是待檢測的物體的影象。負樣本必須手工準備，正樣本使用opencv_createsamples

負樣本可以是任意影象，但影象中不能包含待檢測的物體。用於摳取負樣本的影象檔名被列在乙個檔案中。這個檔案是純文字檔案，每行是乙個檔名（包括相對目錄和檔名）。負樣本和樣本影象也叫做背景樣本，或者背景樣本影象，本文件中對之不予區分。這些影象可以是不同的尺寸，但是影象尺寸應該比訓練視窗的尺寸大，因為這些影象將被用於摳取負樣本，並將負樣本縮小到訓練視窗大小。

下面是乙個描述檔案的例子：

假如目錄結構如下：

則bg.txt檔案中的內容將如下所示：

請注意你需要乙個很大的負樣本庫送給訓練程式進行訓練。如果是絕對剛性的物體，如opencv的標誌，你只有一張正樣本影象；如果是人臉，你需要幾百甚至幾千個正樣本。在待檢測物體是人臉的情況下，你需要考慮所有的人種、年齡、表情甚至鬍子的樣式。

如果只有一張包含物體的影象，如乙個公司的標誌，那麼可以通過對物體影象的隨機旋轉、改變標誌亮度以及將標誌放在任意的背景上而獲得大量的正樣本。生成的正樣本數目以及隨機的程度都可以通過opencv_createsamples

命令列引數：

;bg_color+bg_color_threshold

]範圍的畫素被設定為透明畫素。將白雜訊加到前景影象上。如果指定了-inv

正樣本也可從一系列事先標記好的影象中建立。標記資訊可以儲存於乙個文字檔案，與背景描述檔案類似。檔案中的每行對應乙個影象檔案。每行的第乙個元素為影象檔名，後面是物體的數目，最後是物體位置和大小的描述 (x, y, width, height)。

下面是描述檔案的例子：

假設目錄結構如下：

檔案info.dat裡的內容如下：

影象img_with_faces_1.jpg中包含乙個物體例項（如人臉），標示其在影象中的位置和大小的矩形為(140, 100, 45, 45)。影象img_with_faces_2.jpg包含兩個物體例項。

此部分樣本建立過程如下：將物體例項從影象中摳取出，然後將之調整尺寸到目標尺寸，然後儲存到輸出的vec檔案。在此過程中不會對影象進行變形，所以有效的命令列引數僅有-w

,-h,-show

opencv_createsamples

在訓練中，訓練程式並不關心包含正樣本的vec檔案如何生成的，你可以自己寫程式來生成vec檔案。但是opencv提供的工具中，只有 opencv_createsamples

通用引數：

級聯引數：

boosted分類器引數：

類haar特徵引數：

lbp特徵引數：

lbp特徵無引數。

訓練結束後就可以測試訓練好的級聯分類器了.

級聯分類器訓練

級聯分類器訓練

級聯分類器訓練

OpenCV級聯分類器訓練

相關推薦