ubuntu下openCV-Ｈaar特征分类器训练
-
这段时间在学openCV，准备做一个头部检测，但是openCV自带的分类器只有人脸检测的，而且准确度不高，就准备自己训练一个分类器。在网上看了很多的博客，都讲得不是很清楚，而且全是在windows上训练的，对与用习惯linux的我来说，用cmd实在是太痛苦了，而我没有在网上找到这方面的博客，甚至连opencv_createsamples和 opencv_traincascade在哪都没说只说在openCV目录下，但是直接安装的openCV下很多是没有的，对于新手来讲会非常迷茫，完全搞不懂。
-
然后我就到github上看openCV的仓库，发现仓库的apps目录下有分类器源码，觉得可以自己在linux下编译一个训练器
-
进过几次尝试，我发现openCV4以上版本源码编译出来是没有我需要的这两个训练器的，3一下版本的会报错，具体什么原因我不清楚，openCV-3.4.9版本的完全没有问题
一、安装Cmake
1、安装方法一
sudo apt install cmake
２、安装方法二
2.1 CMake 下载地址
-
-
或者执行命令
wget https://cmake.org/files/v3.16/cmake-3.16.5-Linux-x86_64.tar.gz
-
-
网盘：链接: https://pan.baidu.com/s/1Or1gOkwCozmOTcwKBYErGA 密码: uu89
-
这里我下载的是cmake-3.16.5-Linux-x86_64
2.2 安装配置
-
解压：tar zxvf cmake-3.16.5-Linux-x86_64.tar.gz
-
移到opt目录下：mv cmake-3.16.5-Linux-x86_64 /opt
-
建立软连接：ln -s /opt/cmake-3.16.5-Linux-x86_64/bin/* /usr/bin
-
检测安装是否成功：
-
cmake --version
cmake version 3.16.5
CMake suite maintained and supported by Kitware (kitware.com/cmake).
-
二、编译openCV
１、下载
-
github地址：https://github.com/opencv/openc
-
网盘地址：链接: https://pan.baidu.com/s/11drQWD-EjKVHwKmaNk4aRA 密码: qfuf
-
我编译好的：链接: https://pan.baidu.com/s/1STu5cLtAWIkaEns5eVTzOA 密码: swmw
2、安装依赖
-
下面的步骤已经在Ubuntu10.04上测试过了，但是也可以在其他发行版上使用。
-
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 头 (libgtk2.0-dev)
-
pkg-config
-
Python 2.6或更高版本以及带有开发人员包的Numpy 1.5或更高版本(Python -dev, Python - Numpy)
-
ffmpeg或libav开发包：libavcodec-dev，libavformat-dev，libswscale-dev
-
[可选] libtbb2 libtbb-dev
-
[可选] libdc1394 2.x
-
[可选] libjpeg-dev, libpng-dev, libtiff-dev, libjasper-dev, libdc1394-22-dev
-
[可选] 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
# 如果安装了cmake 和git 的可以删下面的选项
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
3、编译
-
解压:unzip mirrors-opencv-3.4.9.zip
-
cd opencv
mkdir build # 编译会生成很多文件，最好建一个文件夹来保存
cd build
cmake ../ # 生成makefile
make # 使用makefile编译 时间会很长，二十分钟的样子 -
-
-
编译好后就可以找我们需要的训练器了
cd build/bin # 这样就可以看见了
三、训练分类器
１、教程：
２、准备样本
-
-
创建pos目录装正样本
-
正负样本都要转化成灰度图，而且对于正样本用haar特征训练是规格化成20×20或其他大小，最好不要太大，过多的haar特征会影响分类器的训练时间；对于LBP特征正样本要规格化为24×24大小，而对于HOG要规格化成64×64. 负样本对尺寸没有统一要求，在训练对应的分类器时，选择的负样本尺寸一定要大于等于正样本规定的尺寸。
-
-
创建neg目录装负样本
-
负样本有两点要求：1）不能包含正样本且尽可能多的提供场景的背景图；2）负样本尽可能的多，而且要多样化，和正样本有一定的差距但是差别也不要太大，否则容易在第一级就全部被分类器reject，训练时不能显示负样本的个数，从而导致卡死。
-
-
创建xml目录装训练数据
-
将训练器opencv_createsamples opencv_traincascade拷贝到当前路径下
-
ls -rt pos > pos.txt # pos.txt 正样本相对路径表
ls -rt neg > neg.txt # neg.txt 负样本相对路径表 -
修改pos.txt和neg.txt
-
gedit pos.txt -
Ctrl + A 全选 ，然后按Tab 键
-
-
选一个空格
-
-
选择查找替换
-
-
全部替换，neg.txt的这一步替换长neg/
-
-
pos.txt还需要多一步，否则会报错，1 代表个数 0 0 代表照片的起点坐标，50 50 为我的照片的大小
-
３、生成描述文件
-
./opencv_createsamples -info pos.txt -vec pos.vec -bg neg.txt -num 2874 -w 50 -h 50
-
以上参数的含义如下： －vec <vec_file_name>：训练好的正样本的输出文件名。 －img<image_file_name>：源目标图片 －bg<background_file_name>：背景描述文件。 －num<number_of_samples>：要产生的正样本的数量，和正样本图片数目相同。 －bgcolor<background_color>：背景色。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh 和bgcolor＋bgthresh 中间的像素被认为是透明的。 －bgthresh<background_color_threshold>
－inv：如果指定，颜色会反色 －randinv：如果指定，颜色会任意反色 －maxidev<max_intensity_deviation>：背景色最大的偏离度。 －maxangel<max_x_rotation_angle>， －maxangle<max_y_rotation_angle>， －maxzangle<max_x_rotation_angle>：最大旋转角度，以弧度为单位。 －show：如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而创建过程 继续。这是个有用的debug 选项。 －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）
只需要对正样本进行以上操作，负样本不需要生成vec文件。。。
４、训练
-
注意：这里要找一台好一点的电脑训练，我训练一万的样本，从最开始一天训练一级，然后每级的时间增加半天，到第五级已经差不多需要三天了，预计到20级没一两月搞不定
-
./opencv_traincascade -data xml -vec pos.vec -bg neg.txt -numPos 2000 -numNeg 7370 -numStages 20 -featureType HAAR -w 50 -h 50
# 注意大小写，写错可能不会报错，但是识别不了，就会使用默认值，这里我就被坑过
# 训练时间会非常非常长，我第一次用了198正样本、368负样本就训练了一个晚上，第二次用两千多的正样本，三千多的负样本就更长了，但是训练中途断了再执行命令时会继续上一次训练
# 注意 ：这里的-numPos *** 一定要比 准备.vec文件时的 -num *** 小，否则在训练时可能会报错，显示找不到更多正样本 -
像我这里输入-numPos 2000 ，在训练到第三级时就需要2018个正样本，如果.vec里只有2000个就会找不到新的正样本，从而报错
-
以上参数的含义如下：
-data <cascade_dir_name>：目录用于保存训练产生的分类器xml文件和中间文件，如不存在训练程序会创建它；
-vec <vec_file_name>：由 opencv_createsamples 程序生成的包含正样本的vec文件名；
-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（默认值为2000）； -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（默认值为1000）；
-numStages <number_of_stages>：训练的分类器的级数（默认值为20级）；
-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（默认值为256）； -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（默认值为256）；
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（默认不指定该参数项，此时其值为false；一旦指定则其值默认为true）；
级联参数：CvCascadeParams类，定义于cascadeclassifier.h -stageType <BOOST(default)>：级别（stage）参数。目前只支持将BOOST分类器作为级联的类型； -featureType<{HAAR(default), LBP}>：特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征（默认Harr）； -w <sampleWidth>：训练样本的宽（单位为像素，默认24）； -h <sampleHeight>：训练样本的高（单位为像素，默认24）； 训练样本的尺寸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。
Boosted分类器参数：CvCascadeBoostParams类，定义于boost.h -bt <{DAB, RAB, LB, GAB(default)}>：Boosted分类器的类型（DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost为默认）； -minHitRate <min_hit_rate>：分类器的每一级希望得到的最小检测率（默认值为0.995），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（默认值为0.5），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（默认值为100）。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate；
-
最后等一晚上就可以得到训练的分类器了,cascade.xml就是我们的分类器
-
四、分类器
-
最后放上我的分类器链接
-
包含训练５级的分类器和训练15级的分类器，效果不是很好
-
链接: https://pan.baidu.com/s/17U3cGaZdGj6glBeWJThtLA 密码: oc5b
-
五、测试程序
import cv2
face = cv2.CascadeClassifier("./data/cascade.xml") #人脸识别
cap = cv2.VideoCapture(2)
while True:
ret, img = cap.read()
roi_color = 0
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #转换为灰度图片，haar特征都是在灰度上检测
faces = face.detectMultiScale(gray,1.3,5) #参数1：灰度图片数据 2:缩放比例 3：人脸大小不能小于5个像素
# 获取宽高信息，个人脸画方框
for (x,y,w,h) in faces:
# img：要画的图片，(x,y)：起始坐标 ，(x+w,y+h)：宽高，颜色，线条宽度
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()
