OpenCV中Haar+AdaBoostfen的训练步骤

本牛科技
date：2018-05-14 郑炯彬 初稿

前言

本文旨在说明如何使用训练Haar+AdaBoost分类器，主要使用到opencv自带的三个程序：

1. opencv_annotation；
2. opencv_createsamples；
3. opencv_traincascade；

训练步骤分为以下三步：

1. 生成训练集；
2. 训练分类器；
3. 根据实测结果调参。

训练集

负样本

1. 将不含识别样本的图片保存在某一文件夹下，这里我保存再neg的1文件中；
2. 生成一个描述所有图片文件的txt文件，这里我声明为neg.txt（声明方法如下）；
   

   find ./neg/1 -name "*.jpg" > neg.txt

正样本

1. 将包含识别样本的图片保存在某一文件夹下，这里我保存再pos的1文件中；

2. 生成一个描述所有图片文件的txt文件，这里我声明为pos.txt（声明方法如下）；

   find ./pos/1 -name "*.jpg" > pos.txt

3. 使用opencv自带的标记工具opencv_annotation框选图片（调用方法如下）。需要注意的一点是，标记时无需将图像压缩或裁剪，这些工作在生成样本时会完成；

   opencv_annotation --annotations=pos.txt --images=./pos/1/

4. 使用opencv自带的opencv_createsamples工具生成样本（调用方法如下）。值得注意的是，这里我声明样本大小为24*24，你也可以使用其他尺寸；数量上限为1500，实际样本数为步骤3中标记的数量；

   opencv_createsamples -vec pos.vec -info pos.txt -w 24 -h 24 -num 1500

训练

1. 首先生成一个用于存放训练器的文件夹，在这里我声明为cascade；

2. 运行以下命令：

   HAAR: opencv_traincascade -data cascade -vec pos.vec -bg neg.txt -numPos 300 -numNeg 600

   或者

   LBP: opencv_traincascade -data cascade -vec pos.vec -bg neg.txt -numPos 300 -numNeg 600 -featureType LBP -bt DAB -maxDepth 2

值得注意的是，这里的 -numPos是每个阶段训练的样本数量，而不是训练样本总数。如果设置成样本总数会导致程序出错崩溃（#1）。另外，在训练过程中可以随时按下Ctrl+C中断训练，并随后再继续接着训练。

#1：出现这种错的原因提示中很明显，正样本的数目不够，也就是-numPos设置的大了。加入正样本的数目一共有1900张，-numPos设置的是1800张，那么在第一级分类器中，会在1900张图片中选择1800张，在准确率达到0.99时结束第一级训练，那么分类器认为正样本还有1800*0.99张；到了第二级分类器，依旧需要输入1800张图片，那么还得从剩余的（1900-1800）张图片中选择（1800-1800*0.99）张，加上第一级分类器筛选出的正样本一起去训练，依次类推，假如你剩余的样本少于分类器需要的正样本数目，就会报错。所以设置-numPos的时候尽量是正样本数目的80%左右[1]。

训练调参

根据实际的检测结果测试了不同训练参数和样本数，结果对比如下表所示：

#1：ALL模式是OpenCV的traincascade工具的一个调整参数，用于设置haar特征的方向，默认为BASIC，即向上的朝向，而ALL则会使用所有朝向包括45°。
#2：DAB模式也是一个可调参数，用于定义Boost的类型，有DAB、RAB、LB、GAB四种，默认是GAB。

实际测试效果如下图所示：

增加负样本数目后，减少了误识别率。

降低训练参数的FA率后，提高了正确识别率。

总结

试验证明HAAR+AdaBoost方案能够有效检测到指尖位置，虽然目前业务上仍存在许多需要完善的地方。另外，由于目前训练结果的评估方法很不直观，需要设计一个更加有效的自动化测试方案。

参考阅读

• OpenCV -- Cascade Classifier Training
• OpenCV -- Cascade Classifier