樣本訓練要求

1、杯子的背景要統一嗎，因為有些背景是白色，有些是淡淡的背景色，還有些深色的背景色

答：背景色要統一

2、整個圖的大小就是最外麵一個框框起來那麼大，

   問題是：我需要在原圖基礎上截圖嗎，如：隻把紅框框起來的那部分截出來？？？

 答：不用的

3、那圖片是256色的還是彩色的呢？

 答：灰度最佳

5、一般來說，訓練分類器用的什麼 圖片 就用什麼 圖片作測試
即來源圖片分別用於訓練和測試

6、那正樣本選擇方麵有沒有要求，如玻璃杯
當然有要求。
最好各種形狀的玻璃杯都有樣本，每種玻璃杯從不同角度拍攝的樣本都有
7、那網上截些有關玻璃杯的圖可以嗎？大小是要歸一化的
可以的。網上的圖像實際上也來源於生活或科研拍攝的
其實可以不是圖片的歸一化，還可以是特征的歸一化
歸一化的話可以根據緩需求，不同應用場合就有不同的歸一化方法

8、那關於杯子這個正樣本，我要弄大約多少張圖片呀？
樣本要多，當然並不是越多越好，而是每一張都有代表性，能反映一定意義 

9、負樣本最好含有正樣本中的背景部分

訓練失敗的原因很多：

1、負樣本數目太少，導致Adaboost算法漢有跳出死循環，

2、負樣本之間重複部分過多，或正樣本尺寸過大，導致訓練分類器時內在溢出。

 

.vec文件裏的東西是用二進製的形式表示的。
首先寫的是樣本的數量，然後是樣本大小width*height，後麵就是圖片像素值。

在opencv下的cvsamples.cpp就能看的很清楚了。

本文現在正在做人頭檢測。視頻中的人頭尺寸，光照，角度都很不相同。
1. 請問haar訓練中正樣本是不是隻能是在光照尺寸和角度都一致的情況下進行訓練？
正樣本的光照可以是有變化的，正樣本應該保留一些樣本以外的背景，但不能過大，角度的話，人臉轉90度都還可以接受。
其實你正樣本的種類(不同角度.不同光照.不同人臉)越多，就需要更多的矩形特徵來作分類。

2.正負樣本需要一樣的大小麼？
人臉建議使用20*20，大小要盡量統一，這樣在做Description txt file時，比較方便。人臉在圖片中的位置盡量也相同。

3.有人說正負樣本數量比例最好是7：3，也有人說正負樣本須一樣多。這是怎麼回事？
我怎麼聽說 正：負=1：3比較好。建議你可以先試試看1000:3000應該不用花太多時間訓練。

4.在訓練中，本人發現了一種情況：如果正負樣本差別較小，即負樣本從待檢測視頻圖像中的背景獲取，並且與正樣本一樣大的話，訓練就會在某一個節點上停下來，並且幾天也過不了這個節點；而如果負樣本與正樣本差別很大（尺寸與取樣上都差別很大）的話，訓練結束比較快，但是用得到的xml文件去做檢測的話，效果很不好。請問這是不是矛盾，該怎麼解決？
正負樣本照理說應該不會差別不大，除非你是要偵測笑臉/非笑臉，另外可能是你負樣本太少，所以false alarm數值太高，所以haartraining 沒有正常terminate

5.參數stage一般設置多大？
我目前使用如下指令
opencv_haartraining.exe -data "d:\training0421\20s" -vec "d:\training0421\positive\positives.vec" -bg "d:\training0421\negative\negative.txt" -npos 1681 -nneg 3406 -nstages 20 -nsplits 2 -minhitrate 0.995 -maxfalsealarm 0.5 -mode ALL -mem 2000 -w 20 -h 20
使用profermance來測試原始訓練樣本(200*200p)可以有八成的hitrate，false大概幾十個。

我的問題：有了opencv自帶的那些xml人臉檢測文檔，我們就可以用cvLoad（）這個函數加載他們，讓他們對我們的人臉進行檢測，但是，現在生活中的計算機視覺並不遠遠是檢測人臉，還有很多物品需要識別，所以，能不能自己做個xml的檢測文檔，用它來檢測自己需要的東西呢？例如，檢測一個可樂瓶！
問題解決：
首先了解下，目標檢測分為三個步驟：
1、 樣本的創建
2、 訓練分類器
3、 利用訓練好的分類器進行目標檢測。
一，樣本的創建：

（1）收集訓練樣本：

        訓練樣本包括正樣本和負樣本。正樣本，通俗點說，就是圖片中隻有你需要的目標。而負樣本的圖片隻要其中不含有目標就可以了。但需要說明的是，負樣本也並非隨便選取的。例如，你需要檢測的目標是汽車，那麼正樣本就應該是僅僅含有汽車的圖片，而負樣本顯然不能是一些包含天空的，海洋的，風景的圖片。因為你最終訓練分類器的目的是檢測汽車，而汽車應該出現在馬路上。也就是說，分類器最終檢測的圖片應該是那些包含馬路，交通標誌，建築物，廣告牌，汽車，摩托車，三輪車，行人，自行車等在內的圖片。很明顯，這裏的負樣本應該是包含摩托車、三輪車、自行車、行人、路麵、灌木叢、花草、交通標誌、廣告牌等。

        另外，需要提醒的是，adaboost方法也是機器學習中的一個經典算法，而機器學習算法的前提條件是，測試樣本和訓練樣本獨立同分布。所謂的獨立同分布，可以簡單理解為：訓練樣本要和最終的應用場合非常接近或者一致。否則，基於機器學習的算法並不能保證算法的有效性。此外，足夠的訓練樣本（至少得幾千張正樣本、幾千張負樣本）也是保證訓練算法有效性的一個前提條件。

訓練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標樣本(例如可樂瓶，人臉等)，反例樣本指其它任意圖片，所有的樣本圖片都被歸一化為同樣的尺寸大小(例如，20x20)。
1 、負樣本（反例樣本）可以來自於任意的圖片，但這些圖片不能包含目標特征。

負樣本由背景描述文件來描述。背景描述文件是一個文本文件，每一行包含了一個負樣本圖片的文件名（基於描述文件的相對路徑）。該文件必須手工創建。

2，正樣本
現在，我們來看正樣本的創建步驟：

       正樣本由程序createsample程序來創建。該程序的源代碼由OpenCV給出，並且在bin目錄下包含了這個可執行的程序。
       正樣本可以由單個的目標圖片或者一係列的事先標記好的圖片來創建。
   createsamples程序的命令行參數：
     命令行參數：
     －vec <vec_file_name>
          訓練好的正樣本的輸出文件名。
     －img<image_file_name>
          源目標圖片（例如：一個公司圖標）
     －bg<background_file_name>
          背景描述文件。
     －num<number_of_samples>
          要產生的正樣本的數量，和正樣本圖片數目相同。     －maxidev<max_intensity_deviation>
          背景色最大的偏離度。
     －maxangel<max_x_rotation_angle>
     －maxangle<max_y_rotation_angle>，
     －maxzangle<max_x_rotation_angle>
          最大旋轉角度，以弧度為單位。
     －show
          如果指定，每個樣本會被顯示出來，按下"esc"會關閉這一開關，即不顯示樣本圖片，而創建過程繼續。這是個有用的debug選項。
     －w<sample_width>
          輸出樣本的寬度（以像素為單位）
     －h<sample_height>
          輸出樣本的高度，以像素為單位。
注：正樣本也可以從一個預先標記好的圖像集合中獲取。這個集合由一個文本文件來描述，類似於背景描述文件。每一個文本行對應一個圖片。每行的第一個元素是圖片文件名，第二個元素是對象實體的個數。後麵緊跟著的是與之匹配的矩形框（x , y ,寬度,高度）。
    下麵是一個創建樣本的例子：
假定我們要進行人臉的檢測，有18個正樣本圖片文件face00001.bmp,…face00100.bmp；有45個背景圖片文件：B1_00001.bmp, …B1_00200.bmp，文件目錄結構如下：
e:\test\negdata\
    face0001.bmp

    ……
    face0018.bmp

info.txt

e:\test\posdata

   B1_001.bmp

……
   B1_0045.bmp
   negdata.dat
  正樣本描述文件info.txt的內容如下：
     face00001.bmp 1 0 0 20 20
     ……
     face00100.bmp 1 0 0 20 20

背景（負樣本）描述文件negdata.txt的內容如下：
   B1_00001.bmp      ……
   B1_00200.bmp

       圖片imag1.bmp包含了單個目標對象實體，矩形為（0，0，20，20）。
注意：要從圖片集中創建正樣本，要用－info參數而不是用－img參數。

－info <collect_file_name>
    標記特征的圖片集合的描述文件。在cmd窗口下來進行樣本的創建： 

C:\Program Files\OpenCV\bin>createsamples -info e:\test\posdata\info.txt -vec e:\test\posdata\pos.vec -num 18 -w 20 -h 20【解釋下】。。。。

小貼士1:

可以采用Dos命令生成樣本描述文件(一般樣本圖片上萬幅)，在Dos下進入圖片目錄，輸入dir /b *.bmp > negdata.txt, 則會在此目錄中產生一個negdata.txt,文件中包含所有當前目錄下的文件名,就可以建成負樣本描述文件。對於正樣本描述文件，方法同負樣本，隻要把bmp替換成1 0 0 20 20即可。如果樣本圖片太多，在txt中替換會導致程序無法響應，可以先把內容拷貝到word中替換後再拷貝回來。

小貼士2:

一些處理後的人臉圖片的網址
https://vasc.ri.cmu.edu/idb/html/face/frontal_images/

https://www.pascal-network.org/challenges/VOC/databases.html

三、訓練分類器
    樣本創建之後，接下來要訓練分類器，這個過程是由haartraining程序來實現的。該程序源碼由OpenCV自帶，且可執行程序在OpenCV安裝目錄的bin目錄下。
Haartraining的命令行參數如下：
－data<dir_name>
    存放訓練好的分類器的路徑名。
－vec<vec_file_name>
    正樣本文件名（由trainingssamples程序或者由其他的方法創建的）
－bg<background_file_name>
    背景描述文件。
－npos<number_of_positive_samples>，
－nneg<number_of_negative_samples>
    用來訓練每一個分類器階段的正/負樣本。合理的值是：nPos = 7000;nNeg = 3000
－nstages<number_of_stages>
    訓練的階段數。
－nsplits<number_of_splits>
    決定用於階段分類器的弱分類器。如果1，則一個簡單的stump classifier被使用。如果是2或者更多，則帶有number_of_splits個內部節點的CART分類器被使用。
－mem<memory_in_MB>
    預先計算的以MB為單位的可用內存。內存越大則訓練的速度越快。
－sym（default）
－nonsym
    指定訓練的目標對象是否垂直對稱。垂直對稱提高目標的訓練速度。例如，正麵部是垂直對稱的。
－minhitrate<min_hit_rate>
    每個階段分類器需要的最小的命中率。總的命中率為min_hit_rate的number_of_stages次方。
－maxfalsealarm<max_false_alarm_rate>
    沒有階段分類器的最大錯誤報警率。總的錯誤警告率為max_false_alarm_rate的number_of_stages次方。
－weighttrimming<weight_trimming>
    指定是否使用權修正和使用多大的權修正。一個基本的選擇是0.9
－eqw
－mode<basic(default)|core|all>
    選擇用來訓練的haar特征集的種類。basic僅僅使用垂直特征。all使用垂直和45度角旋轉特征。
－w<sample_width>
－h<sample_height>
    訓練樣本的尺寸，（以像素為單位）。必須和訓練樣本創建的尺寸相同。
一個訓練分類器的例子：

C:\Program Files\OpenCV\bin>haartraining -data e:\test\data\cascade -vec e:\test\posdata\pos.vec -bg e:\test\negdata\negdata.txt -npos 18 -nneg 45 -nsplits 1 -mem 512 -mode ALL -w 20 -h 20 -minhitrage 0.998 -maxfalsealarm 0.5 -nstages 

訓練開始，如下圖，可能會一小段時間才訓練完成。

 

（可能實際結果與上圖有出入， 但看到最後的 ，就說明訓練成功了。 

在bin目錄會生成一份可愛的data.xml文檔，這個就是我們想要的結果了！

訓練結束後，會在目錄data下生成一些子目錄，即為訓練好的分類器。

訓練結束後，還要使用haarconv.exe生成xml文件，可以通過下列網頁下載。

https://www.opencv.org.cn/forum/viewtopic.php?t=5181

重要！可能遇到的問題：

1.如果跑到某一個分類器時，幾個小時也沒有反應，而且顯示不出訓練百分比，這是因為你的負樣本數量太少，或者負樣本的尺寸太小，所有的負樣本在這個分類器都被reject了，程序進入不了下一個循環，果斷放棄吧。解決方法：負樣本盡量要大一些，比如我的正樣本是40*15，共300個,負樣本是640*480，共500個。(我當時的錯誤就出現在這，把負本改大後，就成功了）

2.讀取樣本時報錯：Negative or too large argument of CvAlloc function，網上說這個錯誤是因為opencv規定單幅iplimage的內存分配不能超過10000，可是我的每個負樣本都不會超過這個大小，具體原因不明。後來我把負樣本的數量減少，尺寸加大，這個問題就解決了。

3.訓練的過程可能經常出錯，耐心下來不要著急，我在訓練MRI分類器的時候失敗了無數次。失敗的時候有兩件事可以做，第一，調整正負樣本的數量，再試。第二，調整負樣本的大小，祝大家好運。

[plain] view plaincopyprint?

[plain] view plaincopyprint?

[plain] view plaincopyprint?

[plain] view plaincopyprint?

[plain] view plaincopyprint?