opencv（四）——AdaBoost

PS：本来还想用Adaboost做多分类，弃了~

一、Haar、LBP

1. HAAR特征是浮点数计算，LBP特征是整数计算；
2. LBP训练需要的样本数量比HAAR大
3. LBP的速度一般比HAAR快
4. 同样的样本HAAR训练出来的检测结果要比LBP准确
5. 扩大LBP的样本数据可达到HAAR的训练效果

二、级联分类器

https://zhuanlan.zhihu.com/p/35058334

1. 级联分类器结构：弱分类器线性组合成为强分类器，强分类器用决策树的形式级联
2. 存储分类器的XML中的参数

三、利用并查集合并窗口和丢弃零散分布的误检窗口

四、AdaBoost 算法

1. 概念

（1）准确率

• 查准率 Precision
• 查全率 Recall，precision和recall都越高越好
• 命中率 hitRate，度量检测器对正样本的通过能力，越接近1越好
• 虚警率 falseAlarm，度量检测器对负样本的通过能力，越接近0越好

（2）positive sample会产生：

• TP(true positive)，即positive sample被检测器判定为目标
• FN(false negative)，即positive samples被检测器判断为非目标

（3）negative sample会产生：

• TN(true negative)，即negative sample被检测器判定为非目标
• FP(false positive)，即negative sample被检测器判定为目标

2. AdaBoost 步骤

1. 找TP和FP作为训练样本
2. 计算每个Haar特征在当前权重下的Best split threshold+leftvalue+rightvalue，组成了一个个弱分类器
3. 通过WSE寻找最优的弱分类器
4. 更新权重
5. 按照minHitRate估计stageThreshold
6. 重复上述1-5步骤，直到falseAlarmRate到达要求，或弱分类器数量足够，停止循环，输出stage
7. 进入下一个stage训练

五、opencv 提供的模型和工具

应用放的位置 D:\program\opencv3.0.0\opencv\build\x64\vc12\bin

1.opencv 自带的检测模型

2.opencv 自带的AdaBoost分类器

opencv_annotation 用来在一张大图中标定一个或多个需要检测的目标
opencv_createsamples 用来制作positive sample的vec
opencv_traincascade 用来训练得到需要的cascade.xml

六、AdaBoost训练过程

阶段一：训练数据的准备

1. 导出正负样本的文件列表

（1）注意：

1. 最好使用图片的绝对路径，不然最后训练可能找不到图片 Image reader can not be created from

2. 删除存放路径文件中的其它文件路径，只保留图片的路径

3. 存放图片的路径的文件可以是 .txt 也可以是 .dat 文件

   txt扩展名的文件：存放ASCII码形式的文件

   dat扩展名的文件：存放ASCII码，也可以是二进制（内存格式）形式的文件

（2）用windows中的 dir 命令导出图片文件的列表

dir /b /s /o:n /a:a > pos.dat

/b   表示去除摘要信息，且顶格显示完整路径

/s   表示枚举嵌套文件夹中的内容

/o:n 表示根据文件名排序

/a:a 表示只枚举文件而不枚举其他

单独使用dir /b与dir /s 都不会显示完整路径，只有这两个组合才会显示完整路径

2. 制作正样本的vec文件

（1）生成正样本描述文件 （.dat 或 .txt ）

情况一：文件不需要裁剪

将第一步中生成文件用替换的方法

将D:\热像仪手势识别\jzy\adaboost\ConsoleApplication2\pos_resize\pos_1.jpg

修改为 D:\热像仪手势识别\jzy\adaboost\ConsoleApplication2\pos_resize\pos_1.jpg 1 0 0 20 20

情况二：文件需要裁剪

用 opencv_annotation 框选目标的位置，得到的文件形式和上面方法一样

（2）生成 vec 文件

用 opencv_createsamples 生成 vec 文件

阶段二：训练级联分类器

用 opencv_traincascade 训练级联分类器

opencv_traincascade.exe -data cascade -vec pos_resize\pos.vec -bg neg\neg.dat -numPos 100 -numNeg 300 -numStages 10 -featureType LBP -w 20 -h 20

注意

1. -data cascade 是指需要提前创建一个文件cascade放测试结果
2. 正样本的.vec文件，负样本的.txt 或 .dat文件 要用相对路径

cascade文件：

params：训练的参数，比如这里训练的分类器的级数是10

第十级的训练情况：

阶段三：利用训练好的分类器进行检测

PS：在使用opencv中ClassifierCascade类时，无法加载级联分类器，可能是因为 opencv3.0 版本不太稳定，将xml文件复制，使用相当路径 ，可能会好一点

多尺度目标检测

detectMultiScale (const Mat& image, CV_OUT vector& objects, double scaleFactor = 1.1, int minNeighbors = 3, int flags = 0, Size minSize = Size(), Size maxSize = Size())

• image—待检测图片，一般为灰度图像，加快检测速度

• objects—检测结果的矩形框向量组，用来画出 bounding box

• scaleFactor—前后两次扫描中，搜索窗口的比例系数，默认为1.1，即每次搜索窗口依次扩大10%

• minNeighbors—构成检测目标的相邻矩形的最小个数

  ​ 如果组成检测目标的小矩形的个数和小于 min_neighbors -1，就会被排除

  ​ 如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框

• flags—使用默认值

  ​ 使用CV_HAAR_DO_CANNY_PRUNING，使用Canny边缘检测来排除边缘过多或过少的区域

• minSize和maxSize—限制得到的目标区域的范围。