ubuntu下openCV-Ｈaar特徵分類器訓練

時間  2020-03-25
標籤 ubuntu opencv haar 特徵 分類器 訓練 欄目 Ubuntu 简体版
原文   原文鏈接

ubuntu下openCV-Ｈaar特徵分類器訓練

  • 這段時間在學openCV，準備作一個頭部檢測，可是openCV自帶的分類器只有人臉檢測的，並且準確度不高，就準備本身訓練一個分類器。在網上看了不少的博客，都講得不是很清楚，並且全是在windows上訓練的，對與用習慣linux的我來講，用cmd實在是太痛苦了，而我沒有在網上找到這方面的博客，甚至連opencv_createsamples和 opencv_traincascade在哪都沒說只說在openCV目錄下，可是直接安裝的openCV下不少是沒有的，對於新手來說會很是迷茫，徹底搞不懂。html

  • 而後我就到github上看openCV的倉庫，發現倉庫的apps目錄下有分類器源碼，以爲能夠本身在linux下編譯一個訓練器python

  • 進過幾回嘗試，我發現openCV4以上版本源碼編譯出來是沒有我須要的這兩個訓練器的，3一下版本的會報錯，具體什麼緣由我不清楚，openCV-3.4.9版本的徹底沒有問題linux

1、安裝Cmake

一、安裝方法一

sudo apt install cmake

２、安裝方法二

2.1 CMake 下載地址

2.2 安裝配置

  • 解壓：tar zxvf cmake-3.16.5-Linux-x86_64.tar.gz 緩存

  • 移到opt目錄下：mv cmake-3.16.5-Linux-x86_64 /optapp

  • 創建軟鏈接：ln -s /opt/cmake-3.16.5-Linux-x86_64/bin/* /usr/binide

  • 檢測安裝是否成功：

    • cmake --version

      cmake version 3.16.5
      CMake suite maintained and supported by Kitware (kitware.com/cmake).

2、編譯openCV

１、下載

二、安裝依賴

  • 下面的步驟已經在Ubuntu10.04上測試過了，可是也能夠在其餘發行版上使用。

  • 必需的包

    • GCC 4.4.x 或更新

    • CMake 2.8.7 或更高版本

    • Git

    • GTK+2.x 或更高版本, including 頭 (libgtk2.0-dev)

    • pkg-config

    • Python 2.6或更高版本以及帶有開發人員包的Numpy 1.5或更高版本(Python -dev, Python - Numpy)

    • ffmpeg或libav開發包：libavcodec-dev，libavformat-dev，libswscale-dev

    • [可選] libtbb2 libtbb-dev

    • [可選] libdc1394 2.x

    • [可選] libjpeg-dev, libpng-dev, libtiff-dev, libjasper-dev, libdc1394-22-dev

    • [可選] CUDA Toolkit 6.5 or higher

  • sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"
    sudo apt-get install build-essential
    # 若是安裝了cmake 和git 的能夠刪下面的選項
     sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
     sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

三、編譯

  • 解壓:unzip mirrors-opencv-3.4.9.zip

  • cd opencv
    mkdir build    # 編譯會生成不少文件，最好建一個文件夾來保存
    cd build    
    cmake ../         # 生成makefile
    make                 # 使用makefile編譯     時間會很長，二十分鐘的樣子

  • 編譯好後就能夠找咱們須要的訓練器了

    cd build/bin          # 這樣就能夠看見了

3、訓練分類器

１、教程：

２、準備樣本

  • 建立pos目錄裝正樣本

    • 正負樣本都要轉化成灰度圖，並且對於正樣本用haar特徵訓練是規格化成20×20或其餘大小，最好不要太大，過多的haar特徵會影響分類器的訓練時間；對於LBP特徵正樣本要規格化爲24×24大小，而對於HOG要規格化成64×64. 負樣本對尺寸沒有統一要求，在訓練對應的分類器時，選擇的負樣本尺寸必定要大於等於正樣本規定的尺寸。

  • 建立neg目錄裝負樣本

    • 負樣本有兩點要求：1）不能包含正樣本且儘量多的提供場景的背景圖；2）負樣本儘量的多，並且要多樣化，和正樣本有必定的差距可是差異也不要太大，不然容易在第一級就所有被分類器reject，訓練時不能顯示負樣本的個數，從而致使卡死。

  • 建立xml目錄裝訓練數據

  • 將訓練器opencv_createsamples opencv_traincascade拷貝到當前路徑下

  • ls -rt pos > pos.txt    # pos.txt 正樣本相對路徑表
    ls -rt neg > neg.txt　# neg.txt 負樣本相對路徑表

  • 修改pos.txt和neg.txt

  • gedit pos.txt

  • Ctrl + A 全選　，而後按Tab 鍵

  • 選一個空格

  • 選擇查找替換

  • 所有替換，neg.txt的這一步替換長neg/

  • pos.txt還須要多一步，不然會報錯，1 表明個數　0 0 表明照片的起點座標，50 50 爲個人照片的大小

３、生成描述文件

  • ./opencv_createsamples -info pos.txt -vec pos.vec -bg neg.txt -num 2874 -w 50 -h 50

  • 以上參數的含義以下： －vec <vec_file_name>：訓練好的正樣本的輸出文件名。 －img<image_file_name>：源目標圖片 －bg<background_file_name>：背景描述文件。 －num<number_of_samples>：要產生的正樣本的數量，和正樣本圖片數目相同。 －bgcolor<background_color>：背景色。背景色制定了透明色。對於壓縮圖片，顏色方差量由bgthresh參數來指定。則在bgcolor－bgthresh 和bgcolor＋bgthresh 中間的像素被認爲是透明的。 －bgthresh<background_color_threshold>

    －inv：若是指定，顏色會反色 －randinv：若是指定，顏色會任意反色 －maxidev<max_intensity_deviation>：背景色最大的偏離度。 －maxangel<max_x_rotation_angle>， －maxangle<max_y_rotation_angle>， －maxzangle<max_x_rotation_angle>：最大旋轉角度，以弧度爲單位。 －show：若是指定，每一個樣本會被顯示出來，按下"esc"會關閉這一開關，即不顯示樣本圖片，而建立過程 繼續。這是個有用的debug 選項。 －w<sample_width>：輸出樣本的寬度（以像素爲單位） －h<sample_height>：輸出樣本的高度（以像素爲單位）

    只須要對正樣本進行以上操做，負樣本不須要生成vec文件。。。

４、訓練

  • 注意：這裏要找一臺好一點的電腦訓練，我訓練一萬的樣本，從最開始一天訓練一級，而後每級的時間增長半天，到第五級已經差很少須要三天了，預計到20級沒一兩月搞不定

  • ./opencv_traincascade -data xml -vec pos.vec -bg neg.txt -numPos 2000 -numNeg 7370  -numStages 20 -featureType HAAR -w 50 -h 50   
    # 注意大小寫，寫錯可能不會報錯，可是識別不了，就會使用默認值，這裏我就被坑過
    # 訓練時間會很是很是長，我第一次用了198正樣本、368負樣本就訓練了一個晚上，第二次用兩千多的正樣本，三千多的負樣本就更長了，可是訓練中途斷了再執行命令時會繼續上一次訓練
    # 注意 ：這裏的-numPos *** 必定要比 準備.vec文件時的 -num *** 小，不然在訓練時可能會報錯，顯示找不到更多正樣本

  • 像我這裏輸入-numPos 2000 ，在訓練到第三級時就須要2018個正樣本，若是.vec裏只有2000個就會找不到新的正樣本，從而報錯

  • 以上參數的含義以下：

    -data <cascade_dir_name>：目錄用於保存訓練產生的分類器xml文件和中間文件，如不存在訓練程序會建立它；

    -vec <vec_file_name>：由 opencv_createsamples 程序生成的包含正樣本的vec文件名；

    -bg <background_file_name>：背景描述文件，也就是包含負樣本文件名的那個描述文件

    -numPos <number_of_positive_samples>：每級分類器訓練時所用的正樣本數目（默認值爲2000）； -numNeg <number_of_negative_samples>：每級分類器訓練時所用的負樣本數目，能夠大於 -bg 指定的圖片數目（默認值爲1000）；

    -numStages <number_of_stages>：訓練的分類器的級數（默認值爲20級）；

    -precalcValBufSize <precalculated_vals_buffer_size_in_Mb>：緩存大小，用於存儲預先計算的特徵值(feature values)，單位爲MB（默認值爲256）； -precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>：緩存大小，用於存儲預先計算的特徵索引(feature indices)，單位爲MB（默認值爲256）；

    內存越大，訓練時間越短。 -baseFormatSave：這個參數僅在使用Haar特徵時有效。若是指定這個參數，那麼級聯分類器將以老的格式存儲（默認不指定該參數項，此時其值爲false；一旦指定則其值默認爲true）；

    級聯參數：CvCascadeParams類，定義於cascadeclassifier.h -stageType <BOOST(default)>：級別（stage）參數。目前只支持將BOOST分類器做爲級聯的類型； -featureType<{HAAR(default), LBP}>：特徵的類型： HAAR - 類Haar特徵； LBP - 局部紋理模式特徵（默認Harr）； -w <sampleWidth>：訓練樣本的寬（單位爲像素，默認24）； -h <sampleHeight>：訓練樣本的高（單位爲像素，默認24）； 訓練樣本的尺寸必須跟訓練樣本建立（使用 opencv_createsamples 程序建立）時的尺寸保持一致。

    Boosted分類器參數：CvCascadeBoostParams類，定義於boost.h -bt <{DAB, RAB, LB, GAB(default)}>：Boosted分類器的類型（DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost爲默認）； -minHitRate <min_hit_rate>：分類器的每一級但願獲得的最小檢測率（默認值爲0.995），總的檢測率大約爲 min_hit_rate^number_of_stages； -maxFalseAlarmRate <max_false_alarm_rate>：分類器的每一級但願獲得的最大誤檢率（默認值爲0.5），總的誤檢率大約爲 max_false_alarm_rate^number_of_stages； -weightTrimRate <weight_trim_rate>：Specifies whether trimming should be used and its weight，一個還不錯的數值是0.95； -maxDepth <max_depth_of_weak_tree>：弱分類器樹最大的深度。一個還不錯的數值是1，是二叉樹（stumps）；

    -maxWeakCount <max_weak_tree_count>：每一級中的弱分類器的最大數目（默認值爲100）。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate；

  • 最後等一夜就能夠獲得訓練的分類器了,cascade.xml就是咱們的分類器

  • image-20200313023532502

4、分類器

5、測試程序

import  cv2
​
face = cv2.CascadeClassifier("./data/cascade.xml")  #人臉識別
cap = cv2.VideoCapture(2)
​
while True:
    ret, img = cap.read()
    roi_color = 0
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    #轉換爲灰度圖片，haar特徵都是在灰度上檢測
    faces = face.detectMultiScale(gray,1.3,5)       #參數1：灰度圖片數據   2:縮放比例 3：人臉大小不能小於5個像素
​
    # 獲取寬高信息，我的臉畫方框
    for (x,y,w,h) in faces:
        # img：要畫的圖片，(x,y)：起始座標 ，(x+w,y+h)：寬高，顏色，線條寬度
        cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
    
    cv2.imshow('10',img)
    if cv2.waitKey(5) & 0xff == ord("q"):
        break
​
cap.release()
cv2.destroyAllWindows()
相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程