OpenCV中有兩個程序可以訓(xùn)練級聯(lián)分類器： opencv_haartraining 和opencv_traincascade。opencv_traincascade 是一個新程序，使用OpenCV 2.x API 以C++ 編寫。這二者主要的區(qū)別是 opencv_traincascade 支持 Haar、Hog和 LBP(Local Binary Patterns) 三種特征，并易于增加其他的特征。與Haar特征相比，LBP特征是整數(shù)特征，因此訓(xùn)練和檢測過程都會比Haar特征快幾倍。LBP和Haar特征用于檢測的準(zhǔn)確率，是依賴訓(xùn)練過程中的訓(xùn)練數(shù)據(jù)的質(zhì)量和訓(xùn)練參數(shù)。訓(xùn)練一個與基于Haar特征同樣準(zhǔn)確度的LBP的分類器是可能的。

opencv_traincascade and opencv_haartraining 所輸出的分類器文件格式并不相同。注意，新的級聯(lián)檢測接口（參考 objdetect 模塊中的 CascadeClassifier 類）支持這兩種格式。 opencv_traincascade 可以舊格式導(dǎo)出訓(xùn)練好的級聯(lián)分類器。但是在訓(xùn)練過程被中斷后再重啟訓(xùn)練過程， opencv_traincascade ?and opencv_haartraining 不能裝載與中斷前不同的文件格式。

opencv_traincascade 程序使用TBB來處理多線程。如果希望使用多核并行運算加速，請使用TBB來編譯OpenCV。還有一些與訓(xùn)練相關(guān)的輔助程序。

opencv_createsamples 用來準(zhǔn)備訓(xùn)練用的正樣本數(shù)據(jù)和測試數(shù)據(jù)。 opencv_createsamples 能夠生成能被 opencv_haartraining 和 opencv_traincascade 程序支持的正樣本數(shù)據(jù)。它的輸出為以 *.vec 為擴(kuò)展名的文件，該文件以二進(jìn)制方式存儲圖像。

opencv_performance 可以用來評估分類器的質(zhì)量。它讀入一組標(biāo)注好的圖像，運行分類器并報告性能，如檢測到物體的數(shù)目，漏檢的數(shù)目，誤檢的數(shù)目，以及其他信息。

http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html
http://blog.csdn.net/delltdk/article/details/9186875

1 建立樣本集pos和neg

pos中存放正樣本的圖像，可以是一張圖像或多張圖像。neg中存放包含負(fù)樣本的圖像，可以是任意圖像，但是這些圖像中不能包含待檢測的物體。

注意：
一般需要一個很大的負(fù)樣本庫送給訓(xùn)練程序進(jìn)行訓(xùn)練。如果是絕對剛性的物體，如OpenCV的標(biāo)志，只有一張正樣本圖像，那么可以通過對物體圖像的隨機(jī)旋轉(zhuǎn)、改變標(biāo)志亮度以及將標(biāo)志放在任意的背景上而獲得大量的正樣本；如果是人臉，需要幾百甚至幾千個正樣本。在待檢測物體是人臉的情況下，需要考慮所有的人種、年齡、表情甚至胡子的樣式。

2 生成正\負(fù)樣本描述文件negdata.txt

(1) ? 負(fù)樣本描述文件negdata.txt

在命令行窗口輸入“cd d:\%....%\pos”路徑切換到neg文件夾下，輸入“dir/b>negdata.txt”就會在neg文件夾下生成描述文件negdata.txt，存放neg中所有圖片的文件名，注意要去掉最后的negdata.txt 。

注意：
如果把negdata.txt保存在neg文件夾外面，需要在每一行外面添加相對路徑或絕對路徑來指出樣本的所在位置。一種方法是將negdata.txt 文件中的內(nèi)容復(fù)制到word中，使用替換功能實現(xiàn)快速修改。neg替換為neg\neg

(2) ? 正樣本描述文件posdata.txt

與建立negdata.txt一樣建立posdata.txt，只不過在正樣本描述文件中需要指出目標(biāo)在每個樣本中的數(shù)量和位置如pos\1.bmp 1 x1 y1 x2 y2，其中(x1,y1,x2,y2)為目標(biāo)所在的矩形框，又如pos\1.bmp2 x1 y1 x2 y2 x1’ y1’ x2’ y2’

因為我們準(zhǔn)備的正樣本基本都是目標(biāo)，因此只需在文件名后增加1 0 0 width height即可。

注意：
1若正樣本圖像是不同尺寸的，一方面可以使用ImageResize或matlab將圖像統(tǒng)一成同一尺寸在生成posdata.txt，或程序ImageToTxt直接生成具有不同尺寸圖像的正樣本描述文件。在此階段不歸一化的話，后續(xù)生成.vec文件的時候在程序中自動歸一化。

2樣本描述文件與圖像要一致，可以存在圖像但沒有寫在描述文件中，即有多余的圖像，但千萬不要在描述文件中寫不存在的圖像。

問題：
? ? ? ?歸一化尺寸的方法是否對訓(xùn)練結(jié)果有影響？ opencv_createsamples 采用何種方法進(jìn)行歸一化？

sample = cvCreateImage( cvSize(winwidth, winheight ), IPL_DEPTH_8U, 1 );

fscanf( info, "%d %d %d%d", &x, &y, &width, &height )

? ? cvSetImageROI( src, cvRect( x, y, width,height ) );

cvResize( src, sample,

width >=sample->width && height >= sample->height ? CV_INTER_AREA :CV_INTER_LINEAR );

CV_INTER_NN ? ? ? ? 最近鄰插值

CV_INTER_LINER ? ? ?雙線性插值，缺省情況

CV_INTER_AREA ? ? ?使用像素關(guān)系重采樣，當(dāng)圖像縮小時候可以避免波紋出現(xiàn)，當(dāng)圖像方法時類似CV_INTER_NN

CV_INTER_CUBIC ? ? 立方插值

3 生成.vec文件

生成的正樣本數(shù)目以及隨機(jī)的程度都可以通過 opencv_createsamples 的命令行參數(shù)控制。

使用create.dat調(diào)用%Opencv%\vs2008\bin\Release\ opencv_createsamples.exe

在createsamples.cpp中查閱參數(shù)設(shè)置

-info ? ? ? ? ? ? ? ? ? ? ? 輸入正樣本描述文件，默認(rèn)NULL

-img ? ? ? ? ? ? ? ? ? ? ? 輸入圖像文件名，默認(rèn)NULL

-bg ? ? ? ? ? ? ? ? ?負(fù)樣本描述文件，文件中包含一系列的被隨機(jī)選作物體背景的圖像文件名，默認(rèn)NULL

-num ? ? ? ? ? ? ? ? ?生成正樣本的數(shù)目，默認(rèn)1000

-bgcolor ? ? ? ? ? ? ?背景顏色，表示透明顏色，默認(rèn)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(rèn)80

-inv ? ? ? ? ? ? ? ? ?前景圖像顏色翻轉(zhuǎn)標(biāo)志，如果指定顏色翻轉(zhuǎn)，默認(rèn)0(不翻轉(zhuǎn))

-randinv ? ? ? ? ? ? ?如果指定顏色將隨機(jī)翻轉(zhuǎn)，默認(rèn)0

-maxidev ? ? ? ? ? ? 前景圖像中像素的亮度梯度最大值，默認(rèn)40

-maxxangle ? ? ? ? ? X軸最大旋轉(zhuǎn)角度，以弧度為單位，默認(rèn)1.1

-maxyangle ? ? ? ? ? Y軸最大旋轉(zhuǎn)角度，以弧度為單位，默認(rèn)1.1

-maxzangle ? ? ? ? ? Z軸最大旋轉(zhuǎn)角度，以弧度為單位，默認(rèn)0.5

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?輸入圖像沿著三個軸進(jìn)行旋轉(zhuǎn)，旋轉(zhuǎn)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?qū)⒗^續(xù)創(chuàng)建樣本而不在顯示，默認(rèn)為0(不顯示)

-scale ? ? ? ? ? ? ? ?顯示圖像的縮放比例，默認(rèn)4.0

-w ? ? ? ? ? ? ? ? ?輸出樣本寬度，默認(rèn)24

-h ? ? ? ? ? ? ? ? ? 輸出樣本高度，默認(rèn)24

-vec ? ? ? ? ? ? ? ?輸出用于訓(xùn)練的.vec文件，默認(rèn)NULL

將正樣本描述文件中的正樣本轉(zhuǎn)換為灰度圖像并縮放到-w-h尺寸存入vec文件中。

(1)如果設(shè)置-img和-vec

調(diào)用cvCreateTrainingSamples，采用一張圖像創(chuàng)建訓(xùn)練樣本

(2)如果設(shè)置-img、-bg和-info

調(diào)用cvCreateTestSamples，采用一張圖像創(chuàng)建測試樣本。-bg在這里又有什么作用？目的是作為背景創(chuàng)建測試圖像。

(3)如果設(shè)置-info和-vec(采用正樣本描述文件中的圖像創(chuàng)建訓(xùn)練樣本)

調(diào)用cvCreateTrainingSamplesFromInfo，在cvCreateTrainingSamplesFromInfo中將讀取樣本，并resize后調(diào)用icvWriteVecHeader和icvWriteVecSample創(chuàng)建vec文件。

(4)如果只設(shè)置-vec(只顯示vec文件中的樣本)

調(diào)用cvShowVecSamples查看和檢查保存在vec文件中正樣本

上述參數(shù)在create.dat中設(shè)置好，最后有一個pause，等待顯示結(jié)果：Done.Created num samples

4 訓(xùn)練過程

使用train.dat調(diào)用%Opencv%\vs2008\bin\Release\ opencv_traincascade.exe

在traincascade.cpp中查閱參數(shù)設(shè)置

1. 基本參數(shù)

-data ? ? ? ? ? ? ? ? ? ? ? ? ? ?目錄名，存放訓(xùn)練好的分類器，如果不存在訓(xùn)練程序自行創(chuàng)建

-vec ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?正樣本.vec文件，由opencv_createsamples生成

-bg ? ? ? ? ? ? ? ? ? ? ? ? ? ?負(fù)樣本描述文件

-numPos ? ? ? ? ? ? ? ? ? ? ?每級分類器訓(xùn)練時所用到的正樣本數(shù)目

-numNeg ? ? ? ? ? ? ? ? ? ? ? ?每級分類器訓(xùn)練時所用到的負(fù)樣本數(shù)目，可以大于-bg指定的圖片數(shù)目

?-numStages ? ? ? ? ? ? ? ? ?訓(xùn)練分類器的級數(shù)

?-precalcValBufSize ? ? ? ? ? 緩存大小，用于存儲預(yù)先計算的特征值，單位MB

-precalcIdxBufSize ? ? ? ? ? ?緩存大小，用于存儲預(yù)先計算的特征索引，單位M幣

-baseFormatSave ? ? ? ? ? ? ? ? 僅在使用Haar特征時有效，如果指定，級聯(lián)分類器將以老格式存儲

2. 級聯(lián)參數(shù)cascadeParams

-stageType ? ? ? ? ? ? ? ? ? ?級聯(lián)類型，staticconst char* stageTypes[] = { CC_BOOST };

-featureType ? ? ? ? ? ? ? ? ? ? 特征類型，staticconst char* featureTypes[] = { CC_HAAR, CC_LBP, CC_HOG };

-w ? ? ? ? ? ??

-h ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?訓(xùn)練樣本的尺寸，必須跟使用opencv_createsamples創(chuàng)建的訓(xùn)練樣本尺寸保持一致

3. Boosted分類器參數(shù)stageParams

-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(shù)值是0.95

-maxDepth ? ? ? ? ? ? ? ? ? 弱分類器的最大深度，一個不錯數(shù)值是1，二叉樹

-maxWeightCount ? ? ? ? ? ? 每一級中弱分類器的最大數(shù)目

4. Haar特征參數(shù)featureParams

-mode ? ? ? ? ? ? ? ? ? ? ? ? ?訓(xùn)練過程使用的Haar特征類型，CORE-Allupright ?ALL-All Features BASIC-Viola

上述參數(shù)設(shè)置好后調(diào)用CvCascadeClassifier::train進(jìn)行訓(xùn)練

將上述內(nèi)容在train.dat中編輯好，運行即可。訓(xùn)練最終生成一個-data指定級聯(lián)分類器的文件夾和一個cascade.xml文件，其余文件都是中間結(jié)果，當(dāng)訓(xùn)練程序被中斷之后，再重新運行訓(xùn)練程序?qū)⒆x入之前的訓(xùn)練結(jié)果，無需從頭重新訓(xùn)練，訓(xùn)練結(jié)束后可以刪除這些文件。

? ? ? ?在cascade.xml文件中主要有stageType，featureType，width，height，stageParams，featureParams，stageNum，stages和features節(jié)點。

stages中的stage數(shù)目是自己設(shè)定的，每個stage又包含多個weakClassifiers，每個weakClassifier又包含一個internalNodes和一個leafValues。internalNodes中四個變量代表一個node，分別為node中的left/right標(biāo)記，特征池中的ID和threshold。leafValues中兩個變量代表一個node，分別為leftleaf和right leaf值。

? ? ? ?features是分類器的特征池，每個Haar特征包含一個矩形rect和要提取的特征序號，每個Hog特征/LBP特征包含一個矩形。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

注意：

1. 包含負(fù)樣本的圖像一定不小于在create中設(shè)置的尺寸

負(fù)樣本圖像可以是不同的尺寸，但是圖像尺寸應(yīng)該比訓(xùn)練窗口的尺寸大，在使用負(fù)樣本圖像時，OpenCV自動從負(fù)樣本圖像中摳出一塊和正樣本同樣大小的區(qū)域作為負(fù)樣本。具體可查閱icvGetNextFromBackgroundData，具體摳圖過程為：
1) ?確定摳圖區(qū)域的左上角坐標(biāo)(Point.x, Point.y)
2) ?確定一個最小縮放比例，使得原負(fù)樣本圖像縮放后恰好包含選中負(fù)樣本區(qū)域
3) ?對原負(fù)樣本圖象按計算好的縮放比例進(jìn)行縮放
4) ?在縮放后的圖像上摳出負(fù)樣本。

2. –numPos一般比實際正樣本數(shù)量少200-300，-numNeg是否存在同樣的情況？正負(fù)樣本選擇規(guī)則？

如果出現(xiàn)：訓(xùn)練停留在一個分類器長達(dá)幾小時沒有相應(yīng)，問題出現(xiàn)在取負(fù)樣本的那個函數(shù) icvGetHaarTrainingDataFromBG中;只有當(dāng)之前的強(qiáng)分類器對負(fù)樣本集內(nèi)的樣本全部分類正確時才會出現(xiàn)死循環(huán)，因為只要有一個樣本會被錯分為正樣本，那么通過count次掃描整個負(fù)樣本集就能得到count個負(fù)樣本，當(dāng)然這count個負(fù)樣本實際上就是一個負(fù)樣本的count個拷貝。為避免這種情況，負(fù)樣本集中的樣本數(shù)需要足夠多 。

不過此時的分類器已經(jīng)完全額、可以使用，因為它的誤檢率已經(jīng)很低，從實用性上時沒有任何問題的。所以我們可以通過設(shè)置-nstages 這個參數(shù)來限制分類器級數(shù)，適當(dāng)時候停止并生成xml文件。

從CvCascadeBoost::train中去查閱

函數(shù) ? ? ? ? ? ? ? ?poscount= icvGetHaarTrainingDataFromVec( training_data, 0, npos,
? ? ? ? ? ? ? ? ? ? (CvIntHaarClassifier*)tcc, vecfilename, &consumed )負(fù)責(zé)從正樣本集*.vec 文件中載入 count（npos）個正樣本。在程序第一次運行到此（即訓(xùn)練第一個分類器之前）時，只要正樣本集中有 count 個樣本，就一定能取出 count 個正樣本。在以后運行到此時，有可能取不到 count 個樣本，因為
必須是用前面的級聯(lián)強(qiáng)分類器（(CvIntHaarClassifier*) tcc）分類為正樣本（即分類正確的樣本）的樣本才會被取出作為下一個強(qiáng)分類器訓(xùn)練樣本，具體可參考 icvGetHaarTrainingData和icvEvalTreeCascadeClassifierFilter函數(shù)。

訓(xùn)練負(fù)樣本，具體可參考icvGetHaarTrainingDataFromBG和icvEvalTreeCascadeClassifierFilter函數(shù)。

int icvGetHaarTrainingDataFromBG(CvHaarTrainingData* data, int first, int count,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? CvIntHaarClassifier*cascade, double* acceptance_ratio, const char * filename = NULL )
? 傳遞返回值的 acceptance_ratio 參數(shù)記錄的是實際取出的負(fù)樣本數(shù)與查詢過的負(fù)樣本數(shù)（如果通過前面級聯(lián)stage強(qiáng)分類器的負(fù)樣本數(shù)很少時，那么程序會循環(huán)重復(fù)讀取負(fù)樣本，并用thread_consumed_count計數(shù)）之比（acceptance_ratio = ((double) count) / consumed_count），也就是虛警率，用于判斷已訓(xùn)練的級聯(lián)分類器是否達(dá)到指標(biāo)，若達(dá)到指標(biāo)，則停止訓(xùn)練過程。?

?
? 注意函數(shù) icvGetHaarTrainingData中一個主要的 For 循環(huán)：
? ? ? ? for( i = first; i < first +count; i++ ) //共讀取 count 個負(fù)樣本,當(dāng)讀取不到
? ? ? ? { ? ? ? ? ? ? ? ? ? ? ? ? ? ?//這么多負(fù)樣本時將出現(xiàn)死循環(huán)！
?
? 對上面代碼中的注釋有必要進(jìn)一步說明一下：只有當(dāng)之前的強(qiáng)分類器對負(fù)樣本集內(nèi)的樣本全部分類正確時才會出現(xiàn)死循環(huán)。因為只要有一個樣本會被錯分為正樣本，那么通過 count次掃描整個負(fù)樣本集就能得到 count 個負(fù)樣本，當(dāng)然這 count 個負(fù)樣本實際上就是一個負(fù)樣本的 count 個拷貝。為避免這些情況的發(fā)生，負(fù)樣本集中的樣本數(shù)需要足夠多。
? 在負(fù)樣本圖像大小與正樣本大小完全一致時，假設(shè)最終的分類器虛警率要求是falsealarm，參加訓(xùn)練的負(fù)樣本要求是 count 個，則需要的負(fù)樣本總數(shù)可計算如下： TotalCount = count / falsealarm
? 以 Rainer Lienhart 的文章中的一些參數(shù)為例，falsealarm=0.5^20=9.6e-07, count=3000，
則 TotalCount=3000/(0.5^20)= 3,145,728,000=31 億。

函數(shù) icvGetHaarTrainingDataFromBG ()負(fù)責(zé)從負(fù)樣本集中載入 count 個負(fù)樣本。在程序第一次運行到此（即訓(xùn)練第一個分類器之前）時，只要負(fù)樣本集中有 count 個樣本，就一定能取出 count 個負(fù)樣本。在以后運行到此時，有可能取不到 count 個樣本，因為必須是用前面的級聯(lián)強(qiáng)分類器分類為正樣本的樣本（即分類錯誤的樣本）才會被取出作為下一個強(qiáng)分類器的負(fù)樣本輸入。
?

對于int icvGetHaarTrainingData( CvHaarTrainingData* data,int first, int count,
? ? ? ? ? ? ? ? ? ? ? ? ? ? CvIntHaarClassifier*cascade,
? ? ? ? ? ? ? ? ? ? ? ? ? ? CvGetHaarTrainingDataCallbackcallback, void* userdata,
? ? ? ? ? ? ? ? ? ? ? ? ? ? int*consumed, double* acceptance_ratio )

?這個函數(shù)的解釋：

這是個對于讀取正負(fù)樣本通用的函數(shù)，區(qū)別在于callback的調(diào)用。在這個函數(shù)中有個變量thread_getcount，表示將樣本分為正樣本的數(shù)目（不論這個樣本是負(fù)樣本還是正樣本）。
? 傳遞返回值的 Consumed 參數(shù)表示為取 count 個正樣本，查詢過的正樣本總數(shù)。對于負(fù)樣本為空（null），沒有返回值。?

3.? 之前遇到過10*20的不能訓(xùn)練Hog特征的分類器？Hog特征是否存在尺寸限制？
? ? ? ? ?查閱Hog特征的計算方法，Opencv中HogDescriptor

? ? ? ? ? 訓(xùn)練方法大同小異，只是提取的特征是不一樣的，流程是一樣的

4.?在用opencv_traincascade訓(xùn)練分類器的時候，遇到了報錯如下：

Train dataset for temp stage can not be filled. Branch training terminated.

在stackoverflow上查了一下，問題的根源在于負(fù)樣本讀取失敗，導(dǎo)致問題的原因有：

1）負(fù)樣本描述文件neg.txt不能帶路徑名，即 ： -bg neg.txt 是合法的， -bg negdata/neg.txt是非法的。所以必須把neg.txt文件跟exe文件放在同一個目錄下

2）當(dāng)切換了操作系統(tǒng)時，會因為txt文件的格式問題而導(dǎo)致了負(fù)樣本讀取失敗。比如：在windows操作系統(tǒng)下生出了neg.txt，但是在ubuntu下進(jìn)行訓(xùn)練，這樣就會導(dǎo)致錯誤，這是因為windows下txt文件換行符'\r'在ubuntu下無法識別

3）負(fù)樣本圖片的問題。我遇到的報錯原因就是用opencv處理負(fù)樣本后保存時沒有檢驗負(fù)樣本是否為空，即直接把空的mat寫入了文件，導(dǎo)致了報錯

5. 其它注意

1 關(guān)于正樣本，首先正樣本不是有些人說的，你實際有300個正樣本，在traincascade的時候可以寫成3000的，這種思路是沒有用的。在采集正樣本的時候你一定要注意保持所有樣本寬高比大致相同，如果你自己截圖，推薦使用光影魔術(shù)手?；蛘吲１频哪阕约簩憘€gui截圖工具。為了避免出現(xiàn)opencv error，在用opencv_traincascade.exe的時候，-numPos要稍微低于實際的正樣本數(shù)目，比如你有2100個你就可以將numpos設(shè)為1900-2000,

2 ?無論正樣本負(fù)樣本，圖片命名時不要用特殊字符，你就規(guī)規(guī)矩矩的命名pos1.jpg 。。。。。等等，特殊字符包括（），會出現(xiàn)opencv error，或者無法識別。

3 正負(fù)樣本比例1:2.5~1:3，曾經(jīng)有篇文章中說，為了減小false positive ，可以加大負(fù)樣本數(shù)目。

4 當(dāng)出現(xiàn)內(nèi)存不夠的情況時，有幾種方法：1 你可以在64為pc上跑，2 減小正負(fù)樣本的數(shù)目。3 減小正樣本的寬高。

參考鏈接：

?https://blog.csdn.net/xidianzhimeng/article/details/10470839

opencv訓(xùn)練自己的xml分類器以及如何獲取opencv_createsamples.exe和opencv_traincascade.exe_Lizaozao96的博客-CSDN博客

（終章）[圖像識別]13.OpenCV案例 自定義訓(xùn)練集分類器物體檢測_opencv 物體識別_ζ?? ??霧 ??狼 ???的博客-CSDN博客

【OpenCV學(xué)習(xí)記錄】級聯(lián)分類器訓(xùn)練與測試_Silence涂的博客-CSDN博客

【cascades訓(xùn)練】 使用Cascade Trainer GUI進(jìn)行級聯(lián)分類器訓(xùn)練_十年一夢實驗室的博客-CSDN博客

[Opencv]Cascade級聯(lián)分類器_cascade分類器_Chris_Liu_的博客-CSDN博客

OpenCV中級聯(lián)分類器Cascade訓(xùn)練方法（Linux）_opencv級聯(lián)分類器_灼灼其華R的博客-CSDN博客

常見問題

我嘗試使用opencv_traincascade.exe，但它啟動后幾秒鐘崩潰。這是我如何進(jìn)行：opencv_traincascade崩潰沒有解釋

這是因為您選擇的窗口大小。 traincascade.exe用于訓(xùn)練分類器的內(nèi)存隨著窗口大小成指數(shù)增長，并且有幾臺家用計算機(jī)可以處理traincascade中的100x100窗口大小。

執(zhí)行此練習(xí)：打開任務(wù)管理器并監(jiān)視內(nèi)存使用情況當(dāng)你開始訓(xùn)練時，你會注意到當(dāng)程序不能分配更多內(nèi)存時程序崩潰。 要解決這個問題，你必須選擇一個更小的窗口大小。

您可以使用參數(shù)-precalcValBufSize 1024和-precalcIdxBufSize 1024.如果喜歡，可以增加數(shù)字，但需要將值放在RAM容量以下

樓主你好。我也在訓(xùn)練分類器，目前的問題是但是只訓(xùn)練了一層，識別率就到了1，F(xiàn)A=0，然后訓(xùn)練stage1就無限卡住，問題究竟出在哪里?
訓(xùn)練過程命令如下：
opencv_traincascade -data classifier -vec pos.vec -vg neg.txt -numPos 11000 -numNeg 26545 -numStage 15 -precalcValBufSize 10240 -precalcIdxBufSize 10240 -w 64 -h 64 -mode ALL

正樣本12519張、負(fù)樣本26545張、都是64x64尺寸，訓(xùn)練stage設(shè)置為15層。
參數(shù)都是比較正常的，為什么訓(xùn)練完stage0 結(jié)果就是HR=1,FA=0
再就卡到stage1了，頭疼？？

• • 負(fù)樣本數(shù)目設(shè)置不對，設(shè)定為總數(shù)的一半，或者其他值，反正要少與實際有的數(shù)目

• 你好...我看設(shè)置訓(xùn)練參數(shù)那...只是設(shè)置了每個強(qiáng)分類器包含的最大的弱分類器個數(shù)maxWeakCount...那每個強(qiáng)分離包含的弱分類器個數(shù)是怎么設(shè)定的?...

• • 樣本路徑不對

  • vCascadeClassifier::train()這個函數(shù)概述了整個Cascade的執(zhí)行過程。包括訓(xùn)練前的初始化，各Stage的強(qiáng)分類器間的樣本集更新及強(qiáng)分類器訓(xùn)練都可看到其蹤影，最顯眼的還是其中的Stage訓(xùn)練的for大循環(huán)。
    更新stage間的樣本, 要做到訓(xùn)練新的stage的時候仍保障正負(fù)樣本數(shù)足夠.
    if ( !updateTrainingSet( tempLeafFARate ) )
    {
    樣本數(shù)不夠, 退出訓(xùn)練
    cout << "Train dataset for temp stage can not be filled. Branch training terminated." << endl;
    break;
    }
    if( tempLeafFARate <= requiredLeafFARate )
    {
    虛警率已經(jīng)達(dá)標(biāo) 不再繼續(xù)訓(xùn)練
    cout << "Required leaf false alarm rate achieved. Branch training terminated." << endl;
    break;
    }
    ?編輯?網(wǎng)頁鏈接里面的函數(shù)解析這么說的

• zhi_jin2016.05.20

  樓主你好噻，我把參數(shù)改來改去都一直出現(xiàn)這樣的錯誤，可以幫忙看看問題出在哪里么~？
  正：18587 負(fù)：10926
  根據(jù)公式：numpos<=(18587-10926)/(1+15*0.001) numpos<=7547.78...
  
  E:\train>opencv_traincascade.exe -data xml -vec pos1.vec -bg negdata\neg.txt -numpos 7547 -numneg 10926 -numstages 16 -minHitRate 0.999 -featureType HAAR -w 20
  -h 20
  PARAMETERS:
  cascadeDirName: xml
  vecFileName: pos1.vec
  bgFileName: negdata\neg.txt
  numPos: 2000
  numNeg: 1000
  numStages: 20
  precalcValBufSize[Mb] : 1024
  precalcIdxBufSize[Mb] : 1024
  acceptanceRatioBreakValue : -1
  stageType: BOOST
  featureType: HAAR
  sampleWidth: 20
  sampleHeight: 20
  boostType: GAB
  minHitRate: 0.999
  maxFalseAlarmRate: 0.5
  weightTrimRate: 0.95
  maxDepth: 1
  maxWeakCount: 100
  mode: BASIC
  
  ===== TRAINING 0-stage =====
  <BEGIN
  POS count : consumed 2000 : 2000
  Train dataset for temp stage can not be filled. Branch training terminated.
  Cascade classifier can't be trained. Check the used training parameters.

• • 請問一下，你最后改成功了嗎？咋改的啊，我也遇到同樣的問題

  • 你好。能過能發(fā)我一份正樣本和反樣本。我的郵箱1079666237@qq.com 謝謝

• 我現(xiàn)在遇到的問題是：
  1、虛警率有些高，檢測時經(jīng)常會誤檢；
  我使用正樣本大約4000個，負(fù)樣本大約8000個，minHitRate=0.997，maxFalseRate=0.5
  我現(xiàn)在的命中率很高，請問怎么降低誤檢率？
  2、第二個問題是如何調(diào)各個參數(shù)？如何提高樣本的質(zhì)量？如何評價樣本的質(zhì)量?謝謝！

• • 回復(fù)wangyuezhuiyi2016.11.08

    我的一直出錯OpenCV Error: Bad argument (Can not get new positive sample. The most possible reason is insufficient count of samples in given vec-file.
    能不能給我個無限制條件能直接下載的地址，或者發(fā)我郵箱1079666237@qq.com 謝謝

• kissmemissme2016.05.09

  你好樓主，我要用隨機(jī)森林算法訓(xùn)練分類器怎么用呢

• 樓主,能不能麻煩發(fā)一份源代碼呢,非常感謝!!

• • 回復(fù)第二個半價2016.04.29

    源碼可以從opencv中找哈，在sources/apps/traincascade目錄下

• 為什么我把-numPos改成3200，程序自己只能識別2000呢，這是為什么啊，每次都是這樣，樓主請您解答啊，非誠感謝。負(fù)樣本改成什么數(shù)都可以識別

• • 淺淺_mo回復(fù)lee3333332016.11.28

    有可能是你-numPos的參數(shù)名中的p沒有寫成大寫

• opencv_traincascade.exe,樓主能不能發(fā)給我一份呢，我的是2.4.6版本，為啥電腦就是找不到，用2.4.9版本出現(xiàn)很多問題，我的郵箱是xinxueab@163.com

• • 西電之夢作者回復(fù)天使之一2014.10.13

    給你發(fā)過去了，你看一下。

• chen123123_sh2014.06.11

  HOG和HAAR訓(xùn)練的模式是否相同？

• • 西電之夢作者回復(fù)chen123123_sh2014.10.13

    訓(xùn)練方法大同小異，只是提取的特征是不一樣的，流程是一樣的

• 樓主你好，我想問下xml里的leafvalue，它leftvalue和rightvalue是怎么算出來的呢？還有featureIdex和featcomponent的區(qū)別是啥呀

• • 西電之夢作者回復(fù)hwl567892014.10.13

    featureIndex表示特征池中的Id號(與features中的特征個數(shù)相對應(yīng))，featureComponent表示HOG特征的特征序號(0-35)

• a201c501ys2014.02.23

  樓主你好，我的正樣本250張10*40大小的，負(fù)樣本1000張跟正樣本一樣大小且不包含正樣本圖像的，但訓(xùn)練到第四層就卡住，不知道怎么回事？

• • 你好，請問訓(xùn)練的正負(fù)樣本有沒有上限呢

    我覺得是訓(xùn)練樣本數(shù)太少了，陷入了極小值而不能跳出，你試著多增加點樣本試試。采用adaboost訓(xùn)練的時候樣本數(shù)量最好足夠多。

• 樓主您好，剛開始用opencv的分類器，看您的文章的時候有些疑惑?！笆褂胏reate.dat調(diào)用%Opencv%\vs2008\bin\Release\ opencv_createsamples.exe”這句話什么意思？？

• 那句話的意思就是自己寫一個擴(kuò)展名為dat的文件，里面包含下面的參數(shù)設(shè)置，相信看看opencv_createsamples程序的源文件您就明白了，dat文件就是main函數(shù)中argv參數(shù)，argv[0]=應(yīng)用程序名，也就是 opencv_createsamples.exe文章來源地址http://www.zghlxwxcb.cn/news/detail-581571.html

到了這里，關(guān)于OpenCV分類檢測器訓(xùn)練的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！