使用OpenCV自带的级联分类器进行目标检测

r囧r小猫 2022-06-06 07:43 232阅读 0赞

## 前言 ##

做项目的时候使用到了OpenCV自带的haartraining训练器。在这片文章中就针对其进行使用进行说明，希望对各位看官有用。

### 样本集处理 ###

#### 正样本集 ####

这里首先采集到未经处理的原始样本集，通过手工标注或是截取的形式得到正样本集。对正样本集进行标准化，这里生成的是30\*30大小的正样本图像，这样主要为了加快训练的速度。得到的正样本集如下  
![正样本集][SouthEast]  
之后在当前目录下打开命令行窗口，将正样本的路径导入到pos.txt文件中去

dir /s/b > pos.txt

生成文件之后需要对文件进行标记指定目标的个数、区域的起始XY坐标、宽度、高度  
![样本标注][SouthEast 1]  
调用opencv\_createsamples.exe生成样本集

opencv_createsamples.exe -vec pos.vec -info pos.txt -num 10 -w 30 -h 30

上面命令行参数解释为：通过pos.txt提供的路径生成30\*30图像大小块的正样本集pos.vec。这里顺带说明一下opencv\_createsamples.exe程序的命令行参数：

-info <collection_file_name> 描述物体所在图像以及大小位置的描述文件。 -vec <vec_file_name>输出文件，内含用于训练的正样本。 -img <image_file_name>输入图像文件名（例如一个公司的标志）。 -bg<background_file_name>背景图像的描述文件，文件中包含一系列的图像文件名，这些图像将被随机选作物体的背景。 -num<number_of_samples>生成的正样本的数目。 -bgcolor<background_color>背景颜色（目前为灰度图）；背景颜色表示透明颜色。因为图像压缩可造成颜色偏差，颜色的容差可以由-bgthresh指定。所有处于bgcolor-bgthresh和bgcolor+bgthresh之间的像素都被设置为透明像素。 -bgthresh <background_color_threshold> -inv如果指定该标志，前景图像的颜色将翻转。 -randinv如果指定该标志，颜色将随机地翻转。 -maxidev<max_intensity_deviation>前景样本里像素的亮度梯度的最大值。 -maxxangle <max_x_rotation_angle>X轴最大旋转角度，必须以弧度为单位。 -maxyangle <max_y_rotation_angle>Y轴最大旋转角度，必须以弧度为单位。 -maxzangle<max_z_rotation_angle>Z轴最大旋转角度，必须以弧度为单位。 -show很有用的调试选项。如果指定该选项，每个样本都将被显示。如果按下Esc键，程序将继续创建样本但不再显示。 -w<sample_width>输出样本的宽度（以像素为单位）。 -h<sample_height>输出样本的高度（以像素为单位）。

![生成正样本集][SouthEast 2]

#### 负样本集 ####

对于负样本集并不要求样本的尺寸都是完全相同的，但是要大于正样本的大小。负样本不能有重复的，且增大负样本的差异性。这里对负样本只进行了灰度化处理。  
![负样本][SouthEast 3]  
处理完负样本图像之后，也需要生成负样本目录文件

dir /s/b > neg.txt

### 训练和检测 ###

#### 训练 ####

前面已经收集好了正样本和负样本，接下来就可以使用训练器进行训练了

opencv_haartraining.exe -data out -vec pos.vec -bg neg.txt -nstages 10 -nsplits 1 -npos 10 -nneg 100 -mem 1280 -mode all -w 30 -h 30

说一下这些参数的含义

1.通用参数：
    -data <cascade_dir_name>目录名，如不存在训练程序会创建它，用于存放训练好的分类器。 -vec <vec_file_name>包含正样本的vec文件名（由opencv_createsamples程序生成）。 -bg <background_file_name>背景描述文件，也就是包含负样本文件名的那个描述文件。 -numPos <number_of_positive_samples>每级分类器训练时所用的正样本数目。 -numNeg <number_of_negative_samples>每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目。 -numStages <number_of_stages>训练的分类器的级数。 -precalcValBufSize<precalculated_vals_buffer_size_in_Mb>缓存大小，用于存储预先计算的特征值(feature values)，单位为MB。 -precalcIdxBufSize<precalculated_idxs_buffer_size_in_Mb>缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB。内存越大，训练时间越短。 -baseFormatSave这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储。 2.级联参数：
    -stageType <BOOST(default)>级别（stage）参数。目前只支持将BOOST分类器作为级别的类型。 -featureType<{ HAAR(default), LBP}>特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征。 -w <sampleWidth> -h <sampleHeight>训练样本的尺寸（单位为像素）。必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。 3.分类器参数：        
    -bt <{ DAB, RAB, LB,GAB(default)}> Boosted分类器参数： DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB -Gentle AdaBoost。Boosted分类器的类型：
    -minHitRate<min_hit_rate>分类器的每一级希望得到的最小检测率。总的检测率大约为n_hit_rate^number_of_stages。 -maxFalseAlarmRate<max_false_alarm_rate>分类器的每一级希望得到的最大误检率。总的误检率大约为 max_false_alarm_rate^number_of_stages. -weightTrimRate <weight_trim_rate>Specifies whether trimmingshould be used and its weight.一个还不错的数值是0.95。 -maxDepth <max_depth_of_weak_tree>弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）。 -maxWeakCount<max_weak_tree_count>每一级中的弱分类器的最大数目。The boostedclassifier (stage) will have so many weak trees (<=maxWeakCount), as neededto achieve the given -maxFalseAlarmRate. 4.类Haar特征参数：
    -mode <BASIC (default) |CORE | ALL>选择训练过程中使用的Haar特征的类型。 BASIC 只使用右上特征， ALL使用所有右上特征和45度旋转特征。 5.LBP特征参数：
    LBP特征无参数。

训练完成之后看到的就是最重要的XML文件了，用作后面分类使用  
![生成的XML文件][XML]

#### 检测 ####

这里就直接贴出目标检测的代码了

//根据提供的XML去检测目标图像是否包含需要的结果
    bool ObjectDetectShow(std::string xml_path, std::string testpic_path)
    {
        cv::CascadeClassifier Mycascade;
        if (!Mycascade.load(xml_path))
        {
            cout << "[error] 无法加载级联分类器文件！" << endl;
            return false;
        }
        cv::Mat image = cv::imread(testpic_path, 0);//读取图片 
        if (!image.data)
        {
            cout << "[error] 没有图片" << endl;
            return false;
        }
    
        std::vector<cv::Rect> pedestrain;
        cv::Mat frame_gray = image;
    
        Mycascade.detectMultiScale(frame_gray, pedestrain, 1.1, 3, 0, cv::Size(20, 20));
    
        for (unsigned int i = 0; i < pedestrain.size(); i++)
        {
            rectangle(image, pedestrain[i], cv::Scalar(0, 255, 0), 1);  //画出目标的矩形区域
            //接下来还需要有对这些检测出来的区域进行进一步甄别的代码，此处省略...
        }
    
        cv::imshow("result", image);
        cv::waitKey(0);
    
        return true;
    }

检测函数参数说明

void CascadeClassifier::detectMultiScale(const Mat& image, —Mat类型的图像
        vector<Rect>& objects, —检测得到的矩形
        double scaleFactor,    —图像缩放因子，必须大于1
        int minNeighbors,      —构成检测目标的相邻矩形的最小个数
        int flags,             —旧分类器使用，新分类器弃用
        Size minObjectSize,    —最小检测窗口大小
        Size maxObjectSize)    —最大检测窗口大小（默认是图像大小）

[SouthEast]: /images/20220606/424a8c4d152442e899e7c27a4b77fd76.png
[SouthEast 1]: /images/20220606/3a246157ad5443c9a80efd6be8efbc59.png
[SouthEast 2]: /images/20220606/2c26715f18f043eb89dafdfbb25018af.png
[SouthEast 3]: /images/20220606/5702d57da11a4dcaa431d0f917777672.png
[XML]: /images/20220606/edbb53a06cdb410793561ed86f46faee.png