reference from: http://htedsv.com/?tag=opencv
這篇文章非常好，解決了我長久以來的問題，成功訓練樣本2.0
由於版本問題，網上的大部分教程都是錯誤的。
目標：訓練眼睛分類器
數據準備
正例：收集眼睛圖像，圖像大小一致（720*576共800張）
反例：不包含眼鏡的圖像，圖像大小與正例圖像一致（共80）
訓練步驟：（OPencv2.0）
一、 數據預處理
每個正例資料，使用ObjectMarker在每個圖像上畫出眼鏡區域， 那麼在一幅圖像上可以得到兩個矩形框，
ObjectMarker會自動生成一個info.txt文本用於後面的訓練。ObjectMarker是基於 Opencv的影像處理工具，
它只能打開bmp格式的圖像，主要的功能是在圖像上畫出目的地區域，會自動生成目標描述文本（info.txt）。
每一個文本 行對應一個圖片。每行的第一個元素是圖片檔案名，第二個元素是物件實體的個數。
後面緊跟著的是與之匹配的矩形框（x, y, 寬度，高度）。內容如下：
rawdata/img1.bmp 2 211 205 60 27 345 215 51 28
rawdata/img10.bmp 2 194 204 61 27 329 216 58 31
rawdata/img101.bmp 2 206 265 56 19 340 276 51 22
rawdata/img102.bmp 2 211 263 49 20 340 278 58 20
rawdata/img103.bmp 2 211 263 54 22 339 277 54 19
…
用bg.txt文檔描述反例資料：
negimg/bg1.bmp
negimg/bg2.bmp
negimg/bg3.bmp
negimg/bg4.bmp
…
二、創建樣本
使用如下命令創建樣本：
opencv_createsamplesd -info info.txt -num 300 -bg bg.txt -vec pos.vec -w 65 -h
30
opencv_createsamplesd是Opencv2.0提供用於創建樣本命令。opencv_createsamplesd程式的命令列參數：
－vec 訓練好的正樣本的輸出檔案名。
－img源靶心圖表片（例如：一個公司圖示）
－bg背景描述檔。
－num要產生的正樣本的數量，和正樣本圖片數目相同。
－bgcolor背景色（假定當前圖片為灰度圖）。
背景色制定了透明色。對於壓縮圖片，顏色方差量由bgthresh參數來指定。則在bgcolor－bgthresh和bgcolor＋bgthresh中間的圖元被認為是透明的。
－bgthresh
－inv如果指定，顏色會反色
－randinv如果指定，顏色會任意反色
－maxidev背景色最大的偏離度。
－maxangel
－maxangle
－maxzangle
最大旋轉角度，以弧度為單位。
－show
如果指定，每個樣本會被顯示出來，按下”esc”會關閉這一開關，即不顯示樣本圖片，而創建過程繼續。這是個有用的debug選項。
－w
輸出樣本的寬度（以圖元為單位）
－h
三、訓練分類器
樣本創建之後，接下來要訓練分類器，這個過程是由haartraining程式來實現的。使用下面的命令進行訓練：
opencv_haartrainingd -data f:\\data -vec vec_pos.vec -bg bg.txt -npos 300 -nneg
10 -w 65 -h 30
Haartraining的命令列參數如下：
－data存放訓練好的分類器的路徑名。
－vec正樣本檔案名
－bg背景描述檔。
－npos
－nneg
用來訓練每一個分類器階段的正/負樣本。
－nstages訓練的階段數。
－nsplits決定用於階段分類器的弱分類器。如果1，則一個簡單的stump classifier被使用。如果是2或者更多，則帶有number_of_splits個內部節點的CART分類器被使用。（2比較好，1比較快）
－mem預先計算的以MB為單位的可用記憶體。記憶體越大則訓練的速度越快。
－sym（default）
－nonsym指定訓練的目標物件是否垂直對稱。垂直對稱提高目標的訓練速度。例如，正面部是垂直對稱的。
－minhitrate每個階段分類器需要的最小的命中率。總的命中率為min_hit_rate的number_of_stages次方。
－maxfalsealarm沒有階段分類器的最大錯誤報警率。總的錯誤警告率為max_false_alarm_rate的number_of_stages次方。
－weighttrimming指定是否使用權修正和使用多大的權修正。一個基本的選擇是0.9
－eqw
－mode選擇用來訓練的haar特徵集的種類。basic僅僅使用垂直特徵。all使用垂直和45度角旋轉特徵。
－w
－h訓練樣本的尺寸，（以圖元為單位）。必須和訓練樣本創建的尺寸相同。
訓練結束後，會在目錄data下生成一些子目錄，即為訓練好的分類器。同時會生成data.xml（網路上一些資料說xml要用另外個程式生成，事實上這邊已經可以生成了）。
在這個過程存在著幾個問題，需要在進一步分析：
在完成這個訓練過程後對得到的data.xml進行測試，得到的效果比較差。
在創建樣本的過程中，需要輸入檢測視窗的大小作為參數，而每次從原圖中截取的圖像的大小都是不一樣的，這個視窗時如何確定的？
留言列表
