ubuntu下openCV-Ｈaar特征分类器训练

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

• 官网：https://cmake.org/files

  • 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

• 官方编译安装说明：https://docs.opencv.org/3.4.1/d7/d9f/tutorial_linux_install.html

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：

• https://www.w3cschool.cn/opencv/opencv-x6t12ej2.html

• http://woshicver.com/Eleventh/10_2_%E7%BA%A7%E8%81%94%E5%88%86%E7%B1%BB%E5%99%A8%E8%AE%AD%E7%BB%83/

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()