haara看daboost分类器训练总结.pptVIP

Haar+AdaBoost分类器训练总结 Page ? * 目录 Page ? * 准备阶段样本收集 正样本： 工具：Image Clipper可以很方便地从视频或图像文件夹中读取当前帧或当前图像， 并截取和保存所需的样本图像 负样本： 所有不包含待检测目标的图像都可以作为负样本 一般正负样本需要几千上万张图像，所以正样本收集过程耗时比较长 Page ? * 准备阶段样本准备 负样本可以是任意大小，只要不包括待检测目标即可。 简洁的方式是从视频或图像背景中直接划分出负样本，也可以利用现有的图像库，或者可以从网上的图像素材库中下载 建立保存负样本的文件夹（如：neg），并在neg目录下建立negdata.dat描述文件 Negdata.dat的内容如下： 1.bmp 2.bmp 3.bmp … 生成描述文件的方法：在命令行窗口中，变更到当前文件夹路径(…\neg)，输入 dir /b negdata.dat就会在neg下生成描述文件，去掉其中对描述文件自身的描述negdata.dat即可 如果negdata.dat保存在neg外面，在每一行前面添加相对路径或绝对路径来指出样本所在位置即可 Page ? * 准备阶段样本准备 截取后的正样本要做两个改动： 1、正样本要缩放为统一size，可以使用Image resizer工具 2、截取后的默认格式为.png，使用批量重命名工具修改样本名为所需的名称和格式 建立保存正样本的文件夹（如：pos），并在pos目录下建立posdata.dat描述文件，到这里与负样本的准备是一致的。不同之处在于正样本的描述中需要指出目标在图像中的数量和位置 比如1.bmp中包含一辆汽车，它的描述应写成1.bmp 1 x1 y1 x2 y2 其中(x1,y1,x2,y2)指出这个目标所在的矩形框 由于所有正样本都是统一size，只要在记事本中编辑描述文件将bmp替换成bmp 1 0 0 width height 即可，width和height是图像的宽和高 Page ? * 准备阶段样本准备 正样本还需要根据描述文件和样本图像生成.vec文件才是最后的正样本数据 生成程序为OpenCV1.0/bin/CreateSamples.exe（在后期版本OpenCV中需自行编译） 可以使用批处理文件或命令行调用CreateSamples.exe 参数设置：-info posdata.dat 正样本描述文件 -vec pos.vec 生成的.vec文件名 -num 5323 正样本的数量 -w 50 样本的宽度 -h 50 样本的高度 运行后，出现Done.Created 5323 samples 表明生成5323个样本成功 Page ? * 准备阶段训练准备 训练可以使用批处理文件或命令行调用haartraining.exe 参数设置：-data 生成的分类器名称和路径，包括级联文件夹和.xml文件两部分， 二者是相同的； -vec 正样本的.vec文件路径 -bg 负样本的描述文件路径 -npos 正样本数量 -nneg 负样本数量 -nstages 级联分类器的层数 -mem 分配的内存空间，越大训练过程越快 -sym 目标是否对称 -minhitrate 要达成的检测率 -maxfalsealarm 要达成的虚警率 -mode 选取的特征模式 -w 正样本宽度 -h 正样本高度 当级数达到nstages或者检测率、虚警率同时满足时，训练结束，程序退出 Page ? * 准备阶段结果检测 样本数量越多，训练时间也就越长。最终将生成一个级联分类器的文件夹和一个.xml文件，通过OpenCV中提供的conv