如何用

OpenCV

训练自己的分类器

2009-09-04 22:15 

最近要做一个性别识别的项目，在人脸检测与五官定位上我采用

OPENCV

的

haartraining

进行定位，

这里介绍下这两天我学习的如何用

opencv

训练自己的

分类器。在这两天的学习里，我遇到了不少问题，不过我遇到了几

个好心的大

侠帮我解决了不少问题，特别是无忌，在这里我再次感谢他的帮助。

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的检测。

检测到目标

区域分类器输出为

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，

反例样本

指其它任意图片。

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）。该文件创建方法如下：

采用

Dos

命令生成样本描述文件。具体方法是在

Dos

下的进入你的图片目录，

比如我

的图片放在

D:\face\posdata

下，则：

按

Ctrl+R

打开

Windows

运行程序，输入

cmd

打开

DOS

命令窗口，输入

 d:

回车，

再输入

cd D:\face\negdata

进入图片路径，再次输入

dir /b > negdata.dat

，

则会图片路径下生成一个

negdata.dat

文件，打开该文件将最后一行的