OpenCV开发笔记（七十一）：红胖子8分钟带你深入级联分类器训练
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/109096211
各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究
红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中…（点击传送门）
上一篇：《OpenCV开发笔记（七十）：红胖子带你傻瓜式编译VS2017x64版本的openCV4》
下一篇：持续补充中…
红胖子，来也！
做图像处理，经常头痛的是明明分离出来了（非颜色的），分为几块区域，那怎么知道这几块区域到底哪一块是我们需要的，那么这部分就涉及到需要识别了。
识别可以自己写模板匹配、特征点识别、级联分类器训练识别。
本文章就是讲解级联分类器的训练与识别。
OpenCV的级联分类器分有两个，分别为Harr级联分类器和LBP级联分类器。具体级联分类器请查看：
《OpenCV开发笔记（五十四）：红胖子8分钟带你深入了解Haar级联分类器进行人脸检测（图文并茂+浅显易懂+程序源码）》
《OpenCV开发笔记（五十五）：红胖子8分钟带你深入了解Haar、LBP特征以及级联分类器识别过程（图文并茂+浅显易懂+程序源码）》
目标是识别视频中的歌手，我们先手动采集数据集合。
视频为《绿色》，如下图：
正样本的尺寸不是必须一致的，但是要和生成的正样本矢量文件中的宽高有相同的比例（因为训练过程中，会根据设置的宽高进行等比缩放，比如设置正版本图片是128x128的，那么样本为256x256会缩放，假设杨文为256x128的那么比例就不同了，这个图怎么处理？待定）；
正样本图片应该尽可能包含少的干扰背景信息。在训练过程中多余的背景信息也会成为正样本的一个局部特征，此处与深度学习不同，深度学习现在主流无脑深度学习，图像基本的一些去噪都可能不做。
数据来源尽可能做到多样化，比如样本为车，车的姿态场景应稍丰富些。同一正样本目标的图像太多会使局部特征过于明显，造成这个目标的训练过拟合，影响检测精度，不利于训练器泛化使用。
我们采集视频的人脸，先把视频解码后保存成jpg图片。
此处省略一万字…
使用opencv自带的命令行工具opencv_createsamples.exe
[-info <collection_file_name>]
样本说明文件，每一行的内容为
xxx.jpg nums x y width height
例如：图片中有两个目标
xxx.jpg 2 0 0 100 100 200 200 100 100
生成样本在windows上依托命令行
dir /b > pos.data
[-img <image_file_name>]
通过一张图片的扭曲形变成多张图片作为样本，就填写这个参数，参数的内容为要扭曲的图片的路径。填入后，-info参数不再有效。
[-vec <vec_file_name>]
样本描述文件的名字及路径
[-bg <background_file_name>]
负样本描述文件的名字及路径，如果省略，则使用bgcolor的值填充作为背景。就是跟存放负样本图片（背景图片）目录位置相同的描述文件的路径，可用txt,dat等格式保存，每一行的内容为：xxx.jpg。
[-inv]
如果指定该标志，前景图像的颜色将翻转
[-randinv]
如果指定该标志，颜色将随机地翻转
[-num <number_of_samples = 1000>]
总共几个样本，可以省略，则按照输入的实际样本数量产生
[-bgcolor <background_color = 0>]
背景颜色（目前为灰度图）；背景颜色表示透明颜色。因为图像压缩可造成颜色偏差，颜色的容差可以由-bgthresh指定。所有处于bgcolor-bgthresh和bgcolor+bgthresh之间的像素都被设置为透明像素。
[-bgthresh <background_color_threshold = 80>]
（参考-bgcolor）
[-maxidev <max_intensity_deviation = 40>]
前景样本里像素的亮度梯度的最大值
[-maxxangle <max_x_rotation_angle = 1.100000>]
x轴最大旋转角度，单位弧度
[-maxyangle <max_y_rotation_angle = 1.100000>]
y轴最大旋转角度，单位弧度
[-maxzangle <max_z_rotation_angle = 0.500000>]
z轴最大旋转角度，单位弧度
[-show [<scale = 4.000000>]]
显示样本，作为创建样本时的调试
[-w <sample_width = 24>]
样本缩放到的尺寸
[-h <sample_height = 24>]
样本缩放到的尺寸
[-maxscale ]：
[-rngseed ]：
opencv_createsamples -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -show -w 50 -h 70 -maxxangle 6.28 -maxyangle 6.28 -maxzangle 6.28
（注意：LBP特征50x70等都可以可以训练，实测HAAR则必须是24x24 or 20x20）
使用opencv自带的命令行工具opencv_traincascade.exe，可以训练三个特征目标：HAAR、HOG、LBP。
-data <cascade_dir_name>
训练的分类器的存储目录。
-vec <vec_file_name>
通过opencv_createsamples生成的vec文件，正样本的数据。
-bg <background_file_name>
负样本说明文件，主要包含负样本文件所在的目录及负样本文件名。
[-numPos <number_of_positive_samples = 2000>]
每级分类器训练时所用到的正样本数目，但是应当注意，这个数值一定要比准备正样本时的数目少。
[-numNeg <number_of_negative_samples = 1000>]
每级分类器训练时所用到的负样本数目，可以大于-bg指 定的图片数目。
[-numStages <number_of_stages = 20>]
训练分类器的级数，强分类器的个数
[-precalcValBufSize <precalculated_vals_buffer_size_in_Mb = 1024>]
缓存大小，用于存储预先计算的特征值，单位MB
[-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb = 1024>]
缓存大小，用于存储预先计算的特征索引，单位MB
[-baseFormatSave]
仅在使用Haar特征时有效，如果指定，级联分类器将以老格式存储。
[-numThreads <max_number_of_threads = 1>]
支持多线程并行训练
[-acceptanceRatioBreakValue = -1>]
此参数用于确定模型应保持学习的精确程度以及何时停止。一个好的指导方针是训练不超过10e-5（等于10*10^(-5) ），以确保模型不会过度训练您的训练数据。默认情况下，此值设置为-1以禁用此功能。
–cascadeParams–
[-stageType <BOOST(default)>]
级联类型，目前只能取BOOST
[-featureType <{HAAR(default), LBP, HOG}>]
训练使用的特征类型，目前支持的特征有Haar，LBP和HOG
[-w <sampleWidth = 24>]
训练的正样本的宽度，Haar特征的w和h一般为20，LBP特征的w和h一般为24，HOG特征的w和h一般为64
[-h <sampleHeight = 24>]
训练的正样本的高
–boostParams–
[-bt <{DAB, RAB, LB, GAB(default)}>]
增强分类器类型：DAB-Discrete AdaBoost，RAB-Real AdaBoost，LB-LogitBoost，GAB-Gentle AdaBoost。
[-minHitRate <min_hit_rate> = 0.995>]
类器每个阶段的最小期望命中率。总体命中率估计为（最小命中率^阶段数）。
[-maxFalseAlarmRate <max_false_alarm_rate = 0.5>]
分类器每个阶段的最大期望误报率。
[-weightTrimRate <weight_trim_rate = 0.95>]
指定是否应使用修剪及其权重。一个不错的选择是0.95。
[-maxDepth <max_depth_of_weak_tree = 1>]
弱树的最大深度。一个不错的选择是1，这是树桩的情况。
[-maxWeakCount <max_weak_tree_count = 100>]
每个级联阶段的最大弱树数。提升分类器（stage）将具有许多弱树（<=maxWeakCount），以实现给定的-maxFalseAllRate。
–haarFeatureParams–
[-mode <BASIC(default) | CORE | ALL>]
选择训练中使用的Haar特征集的类型。基本只使用直立特征，而所有特征都使用全套直立和45度旋转特征集。
opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType HAAR -w 64 -h 64
训练出错如下：
更换LBP特征，继续训练：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 64 -h 64
训练出错如下：
根据错误宽高是要跟创建的样本一样，改为50x70，(创建的样本为50x70)，继续训练：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70
负样本再生成一次绝对路径：
dir /b /s >negAb.txt
删掉非图片的行
然后继续训练：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70
训练出错，如下：
手动创建data目录
继续训练：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt -numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70
然后，正常训练，训练完成：
要训练haar特征级联分类器，最开始创建样本就必须为24x24 or 20x20的（经过多次尝试论证），最终设置24x24训练出来如下：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType HAAR -w 24 -h 24
训练
opencv_createsamples -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -\
show -w 24 -h 24 -maxxangle 6.28 -maxyangle 6.28 -maxzangle 6.28
使用该级联分类器，使用cascade.xml加载即可。
级联分类器的测试请参考《OpenCV开发笔记（五十四）：红胖子8分钟带你深入了解Haar级联分类器进行人脸检测（图文并茂+浅显易懂+程序源码）》