深度学习篇-Opencv中Haar级联分类器的自定义
目录
深度学习篇—Opencv中Haar级联分类器的自定义
训练自定义的 Haar 级联分类器是一个复 杂但非常有用的过程 ，允许你检测特定的目标对象。以下是详细的步骤流程，包括 数据准备、工具使用和训练过程 。
1. 准备工作
在开始训练之前，确保你已经安装了 OpenCV，并且可以使用 OpenCV 提供的工具（如 opencv_createsamples 和 opencv_traincascade ）。
1.1安装 OpenCV
如果你还没有安装 OpenCV，可以通过以下命令安装：pip install opencv-python opencv-python-headless确保 OpenCV 的二进制工具（如 **opencv_createsamples** 和 **opencv_traincascade**）可用。1.2准备数据集
训练 Haar 级联分类器需要两类数据：1.2.1正样本
正样本（Positive Samples）：包含**目标对象的图像**。1.2.2负样本
负样本（Negative Samples）：不包含目标对象的图像。2. 数据准备
2.1 正样本的准备
正样本是包含目标对象的图像 。为了训练分类器，正样本需要满足以下要求：
1.图像中只包含目标对象。
2.目标对象在图像中的位置和大小应尽量一致。
3.图像背景应尽量简单。2.1.1步骤
1.收集包含目标对象的图像。
2.使用图像编辑工具（如 GIMP 或 Photoshop）裁剪图像，确保目标对象位于图像中心，并且背景干净。
3.将所有正样本图像调整为相同的尺寸（例如 24x24 像素）。
4.将正样本图像保存到一个文件夹中，例如 positive_images/。2.1.2生成正样本描述文件
使用 opencv_createsamples 工具生成 正样本的描述文件 。描述文件是一个 文本文件 ， 每一行描述一个正样本图像及其目标对象的位置 。
2.1.3示例命令
opencv_createsamples -info positive_images.txt -vec samples.vec -num 1000 -w 24 -h 24- -info positive_images.txt：指定正样本描述文件的路径。
- -vec samples.vec：生成的正样本 向量文件 。
- -num 1000：正样本的数量。
- -w 24 -h 24：样本图像的宽度和高度。
2.1.4正样本描述文件格式
positive_images.txt 文件的每一行格式如下：
image_path num_objects x y width height
positive_images/img1.jpg 1 0 0 24 24
positive_images/img2.jpg 1 0 0 24 242.2 负样本的准备
负样本是不 包含目标对象的图像 。负样本用于训练分类器 区分目标和非目标区域 。
2.2.1步骤
1.收集大量不包含目标对象的图像。
2.将这些图像保存到一个文件夹中，例如 negative_images/。
3.创建一个负样本描述文件 negatives.txt，每一行包含一个负样本图像的路径。2.2.2负样本描述文件格式
negatives.txt 文件的每一行格式如下：
image_path
negative_images/bg1.jpg
negative_images/bg2.jpg3. 训练分类器
使用 opencv_traincascade 工具训练 Haar 级联分类器。
3.1命令格式
opencv_traincascade -data output_dir -vec samples.vec -bg negatives.txt \
-numStages 20 -minHitRate 0.995 -maxFalseAlarmRate 0.5 -numPos 1000 \
-numNeg 500 -w 24 -h 24 -mode ALL -precalcValBufSize 2048 \
-precalcIdxBufSize 20483.2参数说明
1.-data output_dir：指定输出目录，训练结果将保存在此目录中。
2.-vec samples.vec：正样本向量文件。
3.-bg negatives.txt：负样本描述文件。
4.-numStages 20：训练的级联阶段数（通常为 10-20）。
5.-minHitRate 0.995：每个阶段的最小命中率（通常为 0.995）。
6.-maxFalseAlarmRate 0.5：每个阶段的最大误检率（通常为 0.5）。
7.-numPos 1000：每个阶段使用的正样本数量。
8.-numNeg 500：每个阶段使用的负样本数量。
9.-w 24 -h 24：样本图像的宽度和高度。
10.-mode ALL：使用所有 Haar 特征类型。
11.-precalcValBufSize 2048：预计算值缓冲区大小（以 MB 为单位）。
12.-precalcIdxBufSize 2048：预计算索引缓冲区大小（以 MB 为单位）。4. 训练过程
训练过程可能 需要数小时甚至数天 ，具体时间取决于数据集的大小和计算机的性能。 训练过程中会显示每个阶段的进度和性能指标 。
4.1训练输出
每个阶段会生成一个 XML 文件（如 stage1.xml、stage2.xml 等）。
最终生成的分类器文件为 cascade.xml，保存在 output_dir 中。5. 测试分类器
训练完成后，可以使用生成的 cascade.xml 文件进行目标检测。
5.1示例代码
import cv2
#加载自定义 Haar 级联分类器
custom_cascade = cv2.CascadeClassifier('output_dir/cascade.xml')
#读取图像
img = cv2.imread('test.jpg')
#转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#检测目标
objects = custom_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
#绘制检测结果
for (x, y, w, h) in objects:
cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)
#显示结果
cv2.imshow('Detected Objects', img)
cv2.waitKey(0)
cv2.destroyAllWindows()6. 优化分类器
如果分类器的性能不理想，可以尝试以下优化方法：
1.增加正样本和负样本的数量。
2.调整训练参数（如 -numStages、-minHitRate、-maxFalseAlarmRate）。
3.使用更高质量的样本图像。总结
训练自定义 Haar 级联分类器的流程包括 数据准备、生成样本描述文件、训练分类器和测试分类器。 虽然训练过程可能耗时，但通过 合理的参数调整和数据优化 ，可以获得高性能的分类器，用于检测特定的目标对象。