haar+adaboost分类器训练总结

《haar+adaboost分类器训练总结》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、Haar+AdaBoost分类器训练总结Page2目录准备与训练过程可能遇到的问题经验总结Page3准备阶段---样本收集正样本：工具：ImageClipper---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4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（

2、如：neg），并在neg目录下建立negdata.dat描述文件Negdata.dat的内容如下：1.bmp2.bmp3.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(…eg)，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5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Imageresizer工具2、截取后的默认格

3、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.bmp1x1y1x2y2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bmp100widthheight即可，width和height是图像的宽和高Page6准备阶段---样本准备正样本还需要根据描述文

4、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：-infoposdata.dat正样本描述文件-vecpos.vec生成的.vec文件名-num5323正样本的数量-w50样本的宽度-h50样本的高度运行后，出现Done.Created5323samples表明生成5323个样本成功Page7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

5、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8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

6、类器的文件夹和一个.xml文件，通过OpenCV中提供的convert_cascade.exe(OpenCVsamplesc目录下)可以将文件夹转换成.xml文件分类器检测编写程序使用cvHaarDetectObjects()函数或者通过批处理文件/命令行调用performance.exe(与haartraining.exe同路径)来检测分类器效果如何如果使用performance.exe，还需要准备测试集，与负样本的准备相同，对size没有限制，不同之处是要再文件描述中添加类似正样本描述中的目标位置信息。如果一个测试图像中有两个目标，可以这样描述：1.bmp

7、2x1y1x2y2x1’y1’x2’y2’其中(x1,y1,x2,y2)(x1’,y1’,x2’,y2’)分别是两个目标的位置，当有更多目标时往后罗列即可。Performance.exe中会对检测到的候选目标作如下判断：If(候选矩形框与真实目标矩形框中心的距离

8、，因而收集