778
【原】訓練自己haar-like特征分類器並識別物體（2）
在上一篇文章中，我介紹了《訓練自己的haar-like特征分類器並識別物體》的前兩個步驟：
1.準備訓練樣本圖片，包括正例及反例樣本
2.生成樣本描述文件
3.訓練樣本
4.目標識別
=================
今天我們將著重學習第3步：基於haar特征的adaboost級聯分類器的訓練。若將本步驟看做一個係統，則輸入為正樣本的描述文件(.vec)以及負樣本的說明文件(.dat)；輸出為分類器配置參數文件(.xml)。
老規矩，先介紹一下這篇文章需要的工具，分別是(1)訓練用的opencv_haartraining.exe，該程序封裝了haar特征提取以及adaboost分類器訓練過程；(2)haarconv.exe（老版本命名法）或者convert_cascade.exe（新版本命名法），該程序用於合並各級分類器成為最終的xml文件。一般這兩個程序都能在opencv的工程文件裏找到，請善用ctrl+F。若沒有，則請到https://en.pudn.com/downloads204/sourcecode/graph/texture_mapping/detail958471_en.html 中下載opencv_haartraining.exe以及相應dll庫，到https://mail.pudn.com/downloads554/sourcecode/graph/detail2285048.html 中下載haarconv.exe以及相應dll庫。必備的dll庫如下圖所示，為了方便你可以將exe以及dll都拷貝出來。目錄結構見結尾附圖
工具都準備好了，下麵進入正題：
1.訓練分類器
打開cmd，cd到當前目錄，運行命令：
|
1
|
opencv_haartraining.exe
-data ./cascade -vec ./pos/sample_pos.vec -bg
./neg/sample_neg.dat</span> -npos 20 -nneg 60 -mem 200 -mode ALL -w 20 -h 20
|
參數說明，這個要好好看，出錯了好調試
-data 指定生成的文件目錄， -vec vec文件名， -bg 負樣本描述文件名稱，也就是負樣本的說明文件(.dat) -nstage 20 指定訓練層數，推薦15~20，層數越高，耗時越長。 -nsplits 分裂子節點數目,選取默認值 2 -minhitrate 最小命中率，即訓練目標準確度。 -maxfalsealarm最大虛警(誤檢率)，每一層訓練到這個值小於0.5時訓練結束，進入下一層訓練， -npos 在每個階段用來訓練的正樣本數目， -nneg在每個階段用來訓練的負樣本數目 這個值可以設置大於真正的負樣本圖像數目，程序可以自動從負樣本圖像中切割出和正樣本大小一致的,這個參數一半設置為正樣本數目的1~3倍 -w -h樣本尺寸，與前麵對應 -mem 程序可使用的內存，這個設置為256即可，實際運行時根本就不怎麼耗內存，以MB為單位 -mode ALL指定haar特征的種類，BASIC僅僅使用垂直特征，ALL表示使用垂直以及45度旋轉特征
-sym或者-nonsym，後麵不用跟其他參數，用於指定目標對象是否垂直對稱，若你的對象是垂直對稱的，比如臉，則垂直對稱有利於提高訓練速度
其中要注意，負樣本使用的是.dat文件，而不是.vec文件。訓練結束後會在cascade目錄下生成0-N的子目錄。訓練過程如下圖，我的正樣本20，負樣本60，小試牛刀，畢竟數據量有限。
想讓自己更強大，就應該知道這張圖裏麵一些參數的意思。
|
1
2
3
4
5
6
7
|
BACKGROUNG
PROCESSING TIME 是負樣本切割時間，一般會占用很長的時間
N
為訓練層數
%SMP
樣本占總樣本個數
ST.THR
閾值，
HR
擊中率，
FA
虛警，隻有當每一層訓練的FA低於你的命令中聲明的maxfalsealarm數值才會進入下一層訓練
EXP.ERR
經驗錯誤率
|
2.合並子分類器生成xml文件
輸入命令：
|
1
|
haarconv.exe
./cascade haar_adaboost.xml 25 25
|
若你使用的是convert_cascade.exe則是另外一種格式：
|
1
|
convert_cascade.exe
--size="20x20" ..\cascade
haar_adaboost.xml
|
想知道用法可以輸入xxx.exe usage，用法以及參數說明一目了然
3.總結以及注意事項
看起來很簡單是不是，你錯了！真正做起來會有各種各樣的錯誤發生讓你措手不及。以下是我總結的問題及分析：
1）訓練時間非常久，少則秒鍾，多則幾天甚至一禮拜。具體的時間跟你樣本的選取、樣本數量、機器的性能有著直接聯係。舉個例子，有人正樣本7097負樣本2830，在8核3.2Ghz的機器上，開啟了多核並行加速(MP)的情況下訓練了一周時間，跑到19層。鏈接https://blog.csdn.net/liulina603/article/details/8197889 。這個真心有點久了，有點誇張。舉這個例子是想跟你說明，這是一件耗時間的事情，所以請你耐心等待。
2）卡死在某一層，好像進入死循環。這種情況一般跟樣本的選擇有關，尤其是負樣本。當剩下所有的negtive樣本在臨時的cascade Classifier中evaluate的結果都是0（也就是拒絕了），隨機取樣本的數目到幾百萬都是找不到誤檢測的neg樣本了，因而沒法跳出循環！
解決方法是，增大負樣本數目，增大負樣本之間的變化!
3）訓練帶某一層出錯，報錯提示下圖。查看cascade目錄下發現確實走到第5層。這種情況跟上一種情況其實有點類似，都是opencv_haartraining.exe無法正常terminate。而我們的關注點在於，所生成的這些子分類器能用嗎？要依實際情況而定。拿下圖來說，在第5層的時候FA已經很低了，0.125000，說明效果已經夠用。2）中也是這個道理。
That`s all.
【原】訓練自己haar-like特征分類器並識別物體（2）
最後更新：2017-04-03 05:40:07