[OpenCV] Cascade classifier training model

目录

一：OpenCV级联分类器概念

二：OpenCVCascade classifier operation steps

三：Analysis of the working principle of sample collection

四：Analysis of the working principle of sample collection II

五：创建自己的级联分类器

5.1 The first step in creating your own cascaded classifier

5.2 Create your own cascaded classifier second step

5.3 Create your own cascaded classifier Step 3

5.4 Create your own cascaded classifier Step 4

5.5 Create your own Cascade Classifier Step 5

---

一：OpenCV级联分类器概念

At present, there are the following two methods for practical target detection and tracking

帧差法：The recognition principle is to compare based on the difference between the two frames of images before and after,获取图像画面中正在运动的物体从而达到目标检测,The disadvantage is that all moving objects in the picture can be recognized,For example what is needed is vehicle motion,However, the wind blowing the leaves in the picture will also be counted in the screening range,This leads to errors in the discriminator.CascadeClassifier级联分类器：So if it is just to identify the vehicle,Then you need to collect all the relevant information about the vehicle(颜色、形状、大小等信息),存储在一个文件中.This file is called Cascade Classifier.级联分类器也是机器视觉和机器学习中非常重要的一个环节.

二：OpenCVCascade classifier operation steps

正样本数据采集（A picture of the object to be detected）

负样本数据采集（非检测物的图片）

调用opencv程序opencv_createsamples.exeThe program realizes sample data collection

调用opencv程序opencv_traincascade.exeSample training program to train

生成级联分类器文件

三：Analysis of the working principle of sample collection

使用基于HaarObject Detection by Cascading Classifiers of Features This is a machine learning based approach,其中从许多正负图像中训练级联函数.It is then used to detect objects in other images.

在这里,We will give an example of face detection.最初,该算法需要大量正图像（面部图像）和负图像（无面部图像）来训练分类器. 然后,我们需要从中提取特征.为此,使用下图所示的Haar功能. 它们就像我们的卷积核一样. 每个特征都是通过从黑色矩形下的像素总和中减去白色矩形下的像素总和而获得的单个值.

四：Analysis of the working principle of sample collection II

现在,每个内核的所有可能大小和位置都用于计算许多功能.（试想一下它产生多少计算？即使是一个24x24的窗口也会产生超过160000个特征）.对于每个特征计算,我们需要找到白色和黑色矩形下的像素总和.为了解决这个问题,They introduced the overall image.无论你的图像有多大,它都会将给定像素的计算减少到仅涉及四个像素的操作.很好,不是吗？它使事情变得更快.

But in all these features we compute,大多数都不相关.例如,考虑下图.第一行显示了两个良好的特征.选择的第一个特征似乎着眼于眼睛区域通常比鼻子和脸颊区域更暗的性质.选择的第二个特征依赖于眼睛比鼻梁更黑的属性.但是,将相同的窗口应用于脸颊或其他任何地方都是无关紧要的.那么,我们如何从16万多个功能中选择最佳特征？它是由Adaboost算法实现的.

为此,我们将所有特征应用于所有训练图像.对于每个特征,它会找到最佳的阈值,该阈值会将人脸分为正面和负面.显然,会出现错误或分类错误.我们选择错误率最低的特征,这意味着它们是对人脸和非人脸图像进行最准确分类的特征. （此过程并非如此简单.在开始时,每个图像的权重均相等.在每次分类后,错误分类的图像的权重都会增加.然后执行相同的过程.将计算新的错误率.还要计算新的权重.继续进行此过程,直到达到所需的精度或错误率或找到所需的功能数量为止.

最终分类器是这些弱分类器的加权和.之所以称为弱分类,是因为仅凭它不能对图像进行分类,而是与其他分类一起形成强分类器.该论文说,甚至200个功能都可以提供95％的准确度检测.Their final setup has approx6000个功能. （想象一下,从160000Multiple functions reduced to 6000个功能.This is a great gain）.

五：创建自己的级联分类器

5.1 The first step in creating your own cascaded classifier

Prepare a positive sample image of the object you need to detect

Prepare a negative sample image of the object you need to detect

5.2 Create your own cascaded classifier second step

下载好OpenCV win10系统安装包

从安装包中的opencv\build\x64\vc15\bin 找到

opencv_createsamples.exe

opencv_traincascade.exe

opencv_world342.dll

将以上文件拷贝到正负样本文件路径下

5.3 Create your own cascaded classifier Step 3

创建正负样本的图像路径的txt文件

5.4 Create your own cascaded classifier Step 4

通过命令行执行命令进行样本采集生成car_samples.vec正样本矢量集文件

 opencv_createsamples.exe -info car_list.txt -vec car_samples.vec   -num 80 -w 33 -h 33

info字段填写正样本描述文件;

vec用于保存制作的正样本;

num制定正样本的数目;

w和-h分别指定正样本的宽和高

5.5 Create your own Cascade Classifier Step 5

通过命令行执行命令进行训练生成

opencv_traincascade.exe -data data -vec car_samples.vec  -bg ng_data.txt  -numPos 80 -numNeg 240
-numStages 7 -w 33 -h 33 -minHitRate 0.995 -maxFalseAlarmRate 0.45 -mode ALL

data：指定保存训练结果的文件夹;

vec:指定正样本集;

bg:指定负样本的描述文件夹;

numPos：指定每一级参与训练的正样本的数目（要小于正样本总数）;

numNeg:指定每一级参与训练的负样本的数目（可以大于负样本图片的总数）;

numStage:训练的级数;

w:正样本的宽;

h:正样本的高;

minHitRate:每一级需要达到的命中率（一般取值0.95-0.995）;

maxFalseAlarmRate:每一级所允许的最大误检率;

mode:使用Haar-like特征时使用,可选BASIC、CORE或者ALL;

另外,还可指定以下字段：

featureType:可选HAAR或LBP,默认为HAAR;

Create your own Cascade Classifier Step 5 效果展示如下：

最终得到的cascade.xmlThat is the final file of the cascade classifier