分类器训练

一、简介

目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。该方法的基本步骤为：首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。

分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。

分类器训练完以后，就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测。检测到目标区域(汽车或人脸)分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。

目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。

"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。

根据上面的分析，目标检测分为三个步骤：

1、样本的创建

2、训练分类器

3、利用训练好的分类器进行目标检测。

二、样本创建

训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本(例如人脸或汽车等)，反例样本指其它任意图片，所有的样本图片都被归一化为同样的尺寸大小(例如，20x20)。

负样本

负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件必须手工创建。

e.g: 负样本描述文件的一个例子：

假定目录结构如下：

/img

img1.jpg

img2.jpg

bg.txt

则背景描述文件bg.txt的内容为：

img/img1.jpg

img/img2.jpg

正样本

正样本由程序createsample程序来创建。该程序的源代码由OpenCV给出，并且在bin目录下包含了这个可执行的程序。

正样本可以由单个的目标图片或者一系列的事先标记好的图片来创建。 Createsamples程序的命令行参数：

命令行参数：

－vec

训练好的正样本的输出文件名。

－img

源目标图片（例如：一个公司图标）

－bg

背景描述文件。

－num

要产生的正样本的数量，和正样本图片数目相同。

－bgcolor

背景色（假定当前图片为灰度图）。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh和bgcolor ＋bgthresh中间的像素被认为是透明的。

－bgthresh

－inv

如果指定，颜色会反色

－randinv

如果指定，颜色会任意反色

－maxidev

背景色最大的偏离度。

－maxangel

－maxangle，

－maxzangle

最大旋转角度，以弧度为单位。

－show

如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而创建过程继续。这是个有用的debug选项。

－w

输出样本的宽度（以像素为单位）

－h《sample_height》

输出样本的高度，以像素为单位。

注：正样本也可以从一个预先标记好的图像集合中获取。这个集合由一个文本文件来描述，类似于背景描述文件。每一个文本行对应一个图片。每行的第一个元素是图片文件名，第二个元素是对象实体的个数。后面紧跟着的是与之匹配的矩形框（x, y, 宽度，高度）。

下面是一个创建样本的例子：

假定我们要进行人脸的检测，有5个正样本图片文件img1.bmp,…img5.bmp；有2个背景图片文件：bg1.bmp,bg2.bmp，文件目录结构如下：

positive

img1.bmp

……

Img5.bmp

negative

bg1.bmp

bg2.bmp

info.dat

bg.txt

正样本描述文件info.dat的内容如下：

Positive/imag1.bmp 1 0 0 24 28

……

Positive/imag5.bmp 1 0 0 24 28

图片img1.bmp包含了单个目标对象实体，矩形为（0,0,24,28）。

注意：要从图片集中创建正样本，要用－info参数而不是用－img参数。

－info

标记特征的图片集合的描述文件。

背景（负样本）描述文件的内容如下：

nagative/bg1.bmp

nagative/bg2.bmp

我们用一个批处理文件run.bat来进行正样本的创建：该文件的内容如下：

cd e:\face\bin

CreateSamples -vec e:\face\a.vec

-info e:\face\info.dat

-bg e:\face\bg.txt

-num 5

-show

-w 24

-h 28

其中e:\face\bin目录包含了createsamples可执行程序，生成的正样本文件

a.vec在e:\face目录下。

三、训练分类器

样本创建之后，接下来要训练分类器，这个过程是由haartraining程序来实现的。该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin

目录下。

Haartraining的命令行参数如下：

－data

存放训练好的分类器的路径名。

－vec

正样本文件名（由trainingssamples程序或者由其他的方法创建的）

－bg

背景描述文件。

－npos，

－nneg

用来训练每一个分类器阶段的正/负样本。合理的值是：nPos = 7000;nNeg = 3000

－nstages

训练的阶段数。

－nsplits

决定用于阶段分类器的弱分类器。如果1，则一个简单的stump classifier