文章目錄

• • • 0.建立訓練目錄
    • 1.建立正負樣本
    • 2.生成正負樣本的txt文件
    • 3.生成 pos.vec描述文件
    • 4.訓練cascade分類器
    • 5.目標檢測
    • 總結

0.建立訓練目錄

文件夾： train/

1.建立正負樣本

新建3個文件夾：train/pos/、train/neg/、train/xml/

pos文件夾：
放置正樣本，尺寸要一致：如$20?20$(一般用于Haar特征)，$24?24$（LBP特征）

neg文件夾：
放置負樣本，正樣本的尺寸要保證不大于負樣本的尺寸

xml文件夾：
級聯分類器xml文件的輸出目錄

2.生成正負樣本的txt文件

生成正樣本txt文件 train/pos/pos.txt：

內容：圖片名 類別編號 左上角x 左上角y 右下角x 右下角y
pos_image1.png 1 0 0 30 30
pos_image2.png 1 0 0 30 30
… …

生成負樣本txt文件 train/neg/neg.txt：

內容：圖片路徑名
neg/neg_image1.png
neg/neg_image2.png
… …

import osdef _get_directory_files(path, fileType, filePaths):if not os.path.exists(path):returnfiles = os.listdir(path)for f in files:npath = path + '/' + fif (os.path.isfile(npath)):if (os.path.splitext(npath)[1] == fileType): filePaths.append(f)if (os.path.isdir(npath)):if (f[0] == '.'):passelse:_get_directory_files(npath, fileType, filePaths)returndef _write_txt(txt_path,img_dir,is_pos,img_size,neg_dir='neg'):imgpaths=[]_get_directory_files(img_dir,'.png',imgpaths)with open(txt_path, "a") as f:for img_p in imgpaths:if is_pos:f.write('%s 1 0 0 %d %d\n' % (img_p,img_size[0],img_size[1]))else:f.write('%s/%s\n' % (neg_dir, img_p))returnif __name__ == "__main__":txt_pos = './train/pos/pos.txt'txt_neg = './train/neg/neg.txt'pos_img_dir = './train/pos'neg_img_dir = './train/neg'_write_txt(txt_pos,pos_img_dir,True,(30,30))_write_txt(txt_neg,neg_img_dir,False,(30,30))

3.生成 pos.vec描述文件

在 train/ 目錄下，運行命令：

opencv_createsamples -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -num 10000 -w 30 -h 30

命令參數如下：

• info 輸入正樣本描述文件，默認NULL

• img 輸入圖像文件名，默認NULL

• bg 負樣本描述文件，文件中包含一系列的被隨機選作物體背景的圖像文件名，默認NULL

• num 生成正樣本的數目，默認1000

• bgcolor 背景顏色，表示透明顏色，默認0

• bgthresh 顏色容差，所有處于bgcolor-bgthresh和bgcolor+bgthresh之間的像素被置為透明像素，也就是將白噪聲加到前景圖像上，默認80

• inv 前景圖像顏色翻轉標志，如果指定顏色翻轉，默認0(不翻轉)

• randinv 如果指定顏色將隨機翻轉，默認0

• maxidev 前景圖像中像素的亮度梯度最大值，默認40

• maxxangle X軸最大旋轉角度，以弧度為單位，默認1.1

• maxyangle Y軸最大旋轉角度，以弧度為單位，默認1.1

• maxzangle Z軸最大旋轉角度，以弧度為單位，默認0.5
  輸入圖像沿著三個軸進行旋轉，旋轉角度由上述3個值限定。

• show 如果指定，每個樣本都將被顯示，按下Esc鍵，程序將繼續創建樣本而不在顯示，默認為0(不顯示)

• scale 顯示圖像的縮放比例，默認4.0

• w 輸出樣本寬度，默認24

• h 輸出樣本高度，默認24

• vec 輸出用于訓練的.vec文件，默認NULL

4.訓練cascade分類器

在 train/ 目錄下，運行命令：

opencv_traincascade -data xml -vec pos.vec -bg neg/neg.txt -numPos 8000 -numNeg 16000 -numStages 20 -featureType LBP -w 30 -h 30

命令參數如下：

• data 目錄名xml，存放訓練好的分類器，如果不存在訓練程序自行創建

• vec pos.vec文件，由opencv_createsamples生成

• bg 負樣本描述文件, neg/neg.txt

• numPos 每級分類器訓練時所用到的正樣本數目。
  應當注意，這個數值一定要比正樣本時的總數少，不然會報can not get new positive sample.理由：minHitRate：影響每個強分類器閾值，當設置為0.95時如果正訓練樣本個數為10000個，那么其中的500個就很可能背叛別為負樣本，第二次選擇的時候必須多選擇后面的500個，按照這種規律我們為后面的每級多增加numPos*minHitRate個正樣本，根據訓練的級數可以得到如下公式:
  $numPos+（numStages?1）?numPos?（1?minHitRate）<=準備的訓練樣本$

• numNeg 每級分類器訓練時所用到的負樣本數目，可以大于-bg指定的圖片數目

• numStages 訓練分類器的級數，默認20級，一般在14-25層之間均可。
  如果層數過多，分類器的fals alarm就更小，但是產生級聯分類器的時間更長，分類器的hitrate就更小，檢測速度就慢。如果正負樣本較少，層數沒必要設置很多。

• precalcValBufSize 緩存大小，用于存儲預先計算的特征值，單位MB

• precalcIdxBufSize 緩存大小，用于存儲預先計算的特征索引，單位MB

• baseFormatSave 僅在使用Haar特征時有效，如果指定，級聯分類器將以老格式存儲

• stageType 級聯類型，{ CC_BOOST }

• featureType 特征類型，目前只支持LBP、HOG、Haar三種特征。但是HAAR訓練非常非常的慢，而LBP則相對快很多，因為HAAR需要浮點運算，精度自然比LBP更高，但是LBP的效果也基本能達到HAAR的效果，推薦使用LBP。

• w，h 訓練樣本的尺寸，必須跟使用opencv_createsamples創建的訓練樣本尺寸保持一致,并且-w和-h的比例必須符合真實目標的比例.

• bt Boosted分類器類型，{DAB-discrete Adaboost, RAB-RealAdaboost, LB-LogiBoost, GAB-Gentle Adaboost}

• minHitRate 分類器的每一級希望得到的最小檢測率，總的最大檢測率大約為min_hit_rate^number_of_stages

• maxFalseAlarmRate 分類器的每一級希望得到的最大誤檢率，總的誤檢率大約為max_false_rate^number_of_stages

• weightTrimRate Specifies whether trimming should beused and its weight. 一個還不錯的數值是0.95

• maxDepth 弱分類器的最大深度，一個不錯數值是1，二叉樹

• maxWeightCount 每一級中弱分類器的最大數目

• mode 訓練過程使用的Haar特征類型，有BASIC/CORE/ALL三種特征組合待選的，默認情況為BASIC，三種情況下對應的特征選取分別如下：

5.目標檢測

detectMultiScale()函數參數：

cv2.CascadeClassifier.detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize]]]]]) → objectscv2.CascadeClassifier.detectMultiScale(image, rejectLevels, levelWeights[, scaleFactor[, minNeighbors[, flags[, minSize[, maxSize[, outputRejectLevels]]]]]]) → objects

參數如下：

• image： Matrix of the type CV_8U containing an image where objects are detected. 灰度圖

• objects：Vector of rectangles where each rectangle contains the detected object.

• scaleFactor：Parameter specifying how much the image size is reduced at each image scale. 圖像尺度參數，默認1.1

• minNeighbors：Parameter specifying how many neighbors each candidate rectangle should have to retain it. 為每一個級聯矩形應該保留的臨近個數，默認為3，即至少有3次檢測到目標，才認為是目標。

• flags：Parameter with the same meaning for an old cascade as in the function cvHaarDetectObjects. It is not used for a new cascade.
  CV_HAAR_DO_CANNY_PRUNING，利用邊緣檢測來排除一些邊緣很少或者很多的圖像區域
  CV_HAAR_SCALE_IMAGE，按正常比例檢測
  CV_HAAR_FIND_GIGGEST_OBJECT，只檢測最大的物體
  CV_HAAR_DO_ROUGH_SEARCH，只做粗略檢測，默認值為0

• minSize – Minimum possible object size. Objects smaller than that are ignored.

• maxSize – Maximum possible object size. Objects larger than that are ignored.

import cv2, time import numpy as np import os.pathdef get_hw_by_short_size(im_height, im_width, resize):short_size, max_size = resizeim_size_min = np.min([im_height, im_width])im_size_max = np.max([im_height, im_width])scale = (short_size + 0.0) / im_size_minif scale * im_size_max > max_size:scale = (max_size + 0.0) / im_size_maxresized_height, resized_width = int(round(im_height * scale)), int(round(im_width * scale))return resized_height, resized_widthclass car_detector:def __init__(self, cascade_file, max_detect_hw=(400, 600)):if not os.path.isfile(cascade_file):raise RuntimeError("%s: not found" % cascade_file)self._cascade = cv2.CascadeClassifier(cascade_file)self._max_detect_hw = max_detect_hwdef detect_image(self, image):gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)gray = cv2.equalizeHist(gray)cars = self._cascade.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=15, minSize=(60, 60))for (x, y, w, h) in cars:cv2.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2)return imagedef detect_video(self, video_path, start_frame, end_frame, ):cap = cv2.VideoCapture(video_path)cap.set(cv2.CAP_PROP_POS_FRAMES, start_frame)org_w = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))org_h = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))h, w = get_hw_by_short_size(org_h, org_w, self._max_detect_hw)while (start_frame < end_frame):start_frame += 1ret, image = cap.read()if not ret: returnresized_img = cv2.resize(image, (w, h), interpolation=cv2.INTER_CUBIC)result = self.detect_image(resized_img)cv2.imshow("Detect", result)cv2.waitKey(1)if __name__ == "__main__": car_cascade_lbp_21 = './train/xml/cascade.xml'video_path = "./test.mp4"start_frame = 0end_frame = 300detect = car_detector(car_cascade_lbp_21) detect.detect_video(video_path, start_frame, end_frame)

總結

車輛檢測，在訓練階段：

HOG特征：
正樣本尺寸$30?30$，訓練速度非常快，結果不收斂。
正樣本尺寸$64?64$，訓練速度較快，結構收斂。
但是， OpenCV 3.x 中， CascadeClassifier方法不支持 HOG特征。

HAAR特征：
正樣本尺寸$20?20$，訓練速度非常慢，結果不收斂。

LBP特征：
正樣本尺寸$30?30$，訓練速度較快，結果收斂。

總結

以上是生活随笔為你收集整理的使用opencv训练cascade分类器进行目标检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。