[opencv][转载]利用级联分类器车辆检测训练

落日映苍穹つ 2022-09-16 04:59 163阅读 0赞

本文转载：[Adaboost 卡口车辆检测训练 - Hello~again - 博客园][Adaboost _ - Hello_again -]

之前做了SVM的车脸检测，主要是针对车脸，接下来尝试利用Adaboost和Haar进行车脸的检测。我利用的主要是opencv中的cascade，其已经把Adaboost相关的算法做成了exe，直接调用就可以了，不像SVM中我们可能需要再调用。如果需要对boost源码进行修改，可以利用Cmake将生成opencv的源代码，（Cmake真是个很方便的东西，之前做交叉编译用Automake来弄，差点累的半死）。  
首先我来介绍一下几个主要使用的工具。分别在opencv库路径下的，build/x64/vc10/bin目录下，你也可以选择vc11,12 或者x64,根据自己电脑的情况来使用。  
　　主要我们使用的是opencv\_createsamples.exe，opencv\_traincascade.exe，其中前者主要是来创建训练的样本文件，vec文件。另外还有俩那个opencv\_haartraining.exe，这个马上就要被淘汰了，主要是用c来实现的，并且仅支持haar这个特征描述子，opencv\_performace，主要是用来测试模型的性能的。  
　　级联分类器的参数设置，取自opencv官网，针对这两个exe的参数，opencv官网还有刚详细的链接  
[opencv官网cascade的详细参数讲解][opencv_cascade]

下面是 opencv\_traincascade (主要参数和haar\_training还是有部分不同的)的命令行参数，以用途分组介绍：

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。  
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  
　　-h  
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。这里需要注意的是ｗ，ｈ不要乱写啊，计算负责度开销很大，否则会严重影响训练速度，根据实际的需求来填写，我选择的是32×32,之前用了50×50很慢很慢**  
　　Boosted分类器参数：\*\*\*\*  
　　-bt <\{DAB, RAB, LB, GAB(default)\}>  
　　Boosted分类器的类型： DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost。  
　　-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 min\_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 trimming should 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 boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate.  
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。

当opencv\_traincascade 程序训练结束以后，训练好的级联分类器将存储于文件cascade.xml中，这个文件位于 -data 指定的目录中。这个目录中的其他文件是训练的中间结果，当训练程序被中断后，再重新运行训练程序将读入之前的训练结果，而不需从头重新训练。训练结束后，你可以删除这些中间文件。

**注意事项，我训练时碰到的诸多问题！！！！！这里说的都是训练的关键！！！  
1.首先是，train的bat文件和create\_sample的bat文件中，大小宽高一定要一致，否则会报错。  
2.run\_train.bat中，对于缓冲区的大小的设置-precalcValBufSize，　-precalcIdxBufSize当时我为了训练的快一点，在服务器上设置的是5000，5000，换到另一台服务器上之后总报错，设置为4000MB就不报错了，可能是内存设置的过大，原则上是尽可能设置的较大，训练的速度会更快，其可以把计算的特征值存在内存中，不用虚拟内存。  
3.在这里-numPos和-numNeg的设置，这里设置的是在每一级训练中参与训练的正样本和负样本个数，千万不要和训练的样本数一样，应该设置为80%左右适宜，否则容易陷入死循环，就是训练程序一直不动了，不走向下一级的训练。  
4.有时会显示中途terminated，原因是每一级分配的numPos，numNeg太少，已经达到设定的精度需求，就不再继续下一级，此时加大numPos即可。  
5.在样本数据集的准备上，首先至少要多点吧，最好是几千个，这才叫机器学习嘛。此外，负样本的数量一定要比正样本多，这样才能突出正样本，最好在1:2 1:3左右吧，根据训练的结果。其实，大家不要小看训练样本，其实这些都是固定的，算法形成基本就那样了，更关键的是在样本的准备上，对于最终的模型性能至关重要，不要小看样本。**

首先我使用的是opencv下自带的opencv\_createsamples.exe和opencv\_opencv\_traincascade.exe。  
这个在opencv 的库目录bin下面可以找到。  
由于这里使用的是编译好的工具exe，因此传入的参数我们通常通过写批处理文件bat文件来实现。  
以下是run\_createssamples.bat，需要自己建立

![1d91402b4f62352ea70b313ad0405914.png][]

这里说明一下这个文件，-vec 制定生成的vec文件，-info指定正样本文件列表，-num指定样本数量，-w，-h指定样本的大小，需要主要的是样本的数量最后不要留有空行。  
我这次训练的数据集正样本个数为6587，负样本个数为6584。这里对于负样本的讨论暂不展开，读者可以自己设置，我这里大致是1:1，看到一些别的人说1:2,1:3的效果比较好，读者可以自己控制个数作比较，但是训练的样本数至少在两三千以上才会有比较好的效果。  
PosImageList32\_32.txt内部是这样的,行中第一个参数是图片的路径，第二个参数是正样本个数，之后跟着的正样本的坐标，由于我这里已经将样本截取了出来车脸就是32\*32，因此这里是直接给出0 0 32 32。

![39f923474feb146f3a18e993ea825bc5.png][]

![00decac2c887389fe95d9d5d8f3c27c8.png][]

NegImageList.txt内部是这样的，直接给出负样本的文件路径即可,我这里负样本文件名中还有face，但已经是负样本不包含车脸，负样本一般最后跟实际的应用场景一致，在这里可以选取为卡口马路上的景象，杂物，行人，自行车等。

![40eabc70467180083272ac1d7b89d3ec.png][]

![59c85161a76acb6663c46a98ed8ed509.png][]

以下是run\_traincascade\_test2.bat，需要自己建立 !

![0483a0eeac20c4b0b05abe735b12891b.png][]

详细说明一下这几个参数 -data 是用来存放模型的路径以及每一级生成的相关参数**注意！！，在这里-data的路径必须自己手动设置，要不然会报错，说找不到这个路径，重要的事情说3遍！！** \-vec用来指定正样本生成的向量文件，-bg是指定负样本文件文件，-numPos这里说明是每一级使用的正样本个数，一般为正样本数总量的80%左右，如果跟总样本数一致会导致无法收敛，也就是训练一致不结束，如果太少，训练的效果较差。 -numNeg同理， -numStages指定训练的级数，一般15-20级可以达到较好的效果，-precalcValBufSize 和 -precalcIdxBufSize 指定的是存储计算过程中特征和特征索引的缓存大小，在内存足够的情况下，这两个值设置的大一点可以加速训练过程，**但是千万不要设置的太大，电脑内存不够，训练会报错的！！！** \-maxWeakCount 设置每一级中弱分类器的最大个数，这里设置为150，-mode 指定使用harr特征中右上特征和旋转特征，-miniHitRate 每一级的最低的命中率，默认为0.995,这里设置为0,997， -maxFalseAlarmRate 最大误报率设置为0.5

OK设置好这些参数，就可以开启训练啦！！！！

训练过程，当可以中断训练，重新运行批处理文件，他会载入之前生成的中间文件，所以不影响。如果发现长时间一级下不去的话，可能是没收敛，需要重新调整参数，参见我上面说的。我运行了这个大概32\*32的规模，运行了18级，每次取5000个样本计算，总共是花了3天时间才训练完。仅供参考

![6eac8ea2145cc2c394f225dc0a7b2a1b.png][]

训练结束后生成18个过程的中间文件，以及最后的模型文件cascade.xml，我将在下一讲中介绍怎么使用这个模型文件。

![93e285fd1cfa730ec0b2d8462d3a446e.png][]

这是我在应用过程中的一些见解和心得，网上也看了零零碎碎不少资料，希望能帮到你。如有错误，敬请指出。谢谢。

[Adaboost _ - Hello_again -]: https://www.cnblogs.com/louyihang-loves-baiyan/p/4769853.html
[opencv_cascade]: http://docs.opencv.org/doc/user_guide/ug_traincascade.html
[1d91402b4f62352ea70b313ad0405914.png]: /images/20220828/9c12417b77ed4abd9b5a44817517bbca.png
[39f923474feb146f3a18e993ea825bc5.png]: /images/20220828/791eb30e169949ae840876aa7f76cdee.png
[00decac2c887389fe95d9d5d8f3c27c8.png]: /images/20220828/0546042f79ef4903b65e60909fa37326.png
[40eabc70467180083272ac1d7b89d3ec.png]: /images/20220828/1796c73d7fff477a90b4752a571615e3.png
[59c85161a76acb6663c46a98ed8ed509.png]: /images/20220828/19333f0ffef543b9a6e08db69e075aca.png
[0483a0eeac20c4b0b05abe735b12891b.png]: /images/20220828/f4b7158ef87f43359b8224f4588da0a2.png
[6eac8ea2145cc2c394f225dc0a7b2a1b.png]: /images/20220828/1ce43f8c7e5d4e9ab0e74b2392206edf.png
[93e285fd1cfa730ec0b2d8462d3a446e.png]: /images/20220828/41642bcdae9d44058e16fbdfba7d9e78.png