opencv人脸检测分类器训练小结

这两天在初学目标检测的算法及步骤，其中人脸检测作为最经典的算法，于是进行了重点研究。该算法最重要的是建立人脸检测分类器，因此我用了一天的时间来学习分类器的训练。这方面的资料很多，但是能按照一个资料运行出结果的确实没有找到，因此我总结了自己的训练经验。

  目标检测分为三个步骤：

  1、样本的创建

  2、训练分类器

  3、利用训练的分类器进行目标检测

第一步：样本的创建

 ◆     样本分两种： 正样本与负样本（也有人翻译成：正例样本和反例样本），其中正样本是指待检目标样本(例如人脸，汽车，鼻子等)，负样本指其它任意图片。

 ◆     所有样本图片都应该有同一尺寸，如32 * 32，并放在相应文件目录下，

 ◆     集合文件格式（collection file format）和描述文件格式（description file format） 

集合文件格式（collection file format）就是如下形的描述文件：

[filename]

[filename]

[filename]

  …

 描述文件格式（description file format）就是如下形的描述文件：

[filename] [# of objects] [[x y width height] [... 2nd object] ...]

[filename] [# of objects] [[x y width height] [... 2nd object] ...]

[filename] [# of objects] [[x y width height] [... 2nd object] ...]

…. 

(x, y) 指左上角的坐标，width和 height 分别是样本的宽和高，这里我的图片是32*32的，所以两个值都是32

!!!!!!!负样本用集合文件格式描述，正样本用描述文件格式描述。  

一、把所有正样本图片放在posdata的文件夹下，把所有负样本图片放在negdata文件夹下 

（这里我以人脸图片样本为例）

   

  

（注：以上这些32*32 的图片均来自MIT人脸库，可以在csdn下载） 

二． 分别为正样本和负样本创建描述文件 

A．  为正样本创建描述文件格式文件info.txt，并且把这个文件放在与样本图片同一目录下，例如我的目录为C:/OpenCV2.1/bin/posdata

a)      在命令行下 输入以下命令： dir /b > info.txt

 

b)      打开info.txt, 选择编辑-》替换，把所有的bmp 换成 bmp 1 0 0 32 32

c)      删除info.txt最后一行的 “info.txt”

 B．  为负样本创建集合文件格式文件bg.txt, 并且把这个文件放在与样本图片同一目录下，例如我的目录为I:/negdata

a)      在命令行下 输入以下命令： dir /b > bg.txt

b)      删除bg.txt最后一行的 “bg.txt”

三、创建样本

许多文章都说Opencv 自带有创建样本的exe 文件，但是我的目录下却没有，所以我只能自己生成createsamples.exe文件，首先在opencv解压文件夹里找到opencv->apps->haartraining中createsample.cpp文件，然后将该文件使用的所有.h和.cpp文件都加入到一个工程中，然后编译运行，在编译过程中会有各种错误，可根据错误提示进行相应的改正，其中最主要的是缺少"#include "stdafx.h“"，其他的错误就是包含的文件添加不够导致的。 这里我创建10个sample:

将检测的正负样本文件和createsamples.exe文件放到同一根目录下，并在DOS命令下输入以下内容：

命令是： createsamples.exe -info info.txt -vec pos.vec -num 10 -w 20 -h 20 

（关于 opencv_createsamples.exe 的参数用法，在参考英文资料网址http://note.sonots.com/SciSoftware/haartraining.html#e134e74e，里有详细介绍； 

需要说明的是，我这里用的参数并没有 –bg， 因为根据那份文档，有了 –vec 和 –info 之后，就表示：Create training samples from some （从很多正样本中创建sample, 没有distortions） 

四、训练分类器

如果在opencv的解压文件夹里没有找到haartraining.exe文件，则需要自己生成，其生成步骤与前一步createsamples.exe的生成步骤相同。

首先在根目录下建xml文件夹存放训练的分类器，并输入命令：

haartraining.exe -data xml-vec pos.vec -bg negdata0.txt -npos 10 -nneg 10  -mem 512 -model  all -w 20 -h 20

这时会在根目录下的xml文件夹里生成许多.txt文件。

五、将生成的.txt文件制作成.xml文件

  首先在opencv解压文件夹里找到opencv->samples->c->convert_cascade.c，将其加入到工程中，编译运行生成convert_cascade.exe文件，并将其放到原来的根目录下，在DOS命令下输入：

convert_cascade --size = "32x32" xml haarcascade.xml

则在根目录下生成该.xml文件。

五、利用生成的.xml分类器进行人脸检测

 该代码如下，将lena.jpg放到工程文件夹下，由于本.xml只训练了10张照片，样本数少，所以检测效果很差，但是检测过程是正确且完整的。

#include "stdafx.h"
#include "cv.h"
#include "highgui.h"

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <assert.h>
#include <math.h>
#include <float.h>
#include <limits.h>
#include <time.h>
#include <ctype.h>

#ifdef _EiC
#define WIN32
#endif
 IplImage* image;
 IplImage* copyimage;
static CvMemStorage* storage = 0;
static CvHaarClassifierCascade* cascade = 0;

void detect_and_draw( IplImage* image );

const char* cascade_name = "xml.xml";

int main( int argc, char** argv )
{
   cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name, 0, 0, 0 );

    if( !cascade )
    {
        fprintf( stderr, "ERROR: Could not load classifier cascade\n" );
        fprintf( stderr,
        "Usage: facedetect --cascade=\"<cascade_path>\" [filename|camera_index]\n" );
        return -1;
    }
    storage = cvCreateMemStorage(0);

    image = cvLoadImage("lena.jpg");
    if( !image )return -1;

    cvNamedWindow("Original Image",1);
    cvShowImage("Original Image",image);

    detect_and_draw( image );

    cvWaitKey(0);
    cvDestroyWindow("Original Image");
    cvDestroyWindow("result");

    return 0;
}

void detect_and_draw( IplImage* img )
{
    static CvScalar colors[] =
    {
        {{0,0,255}},
        {{0,128,255}},
        {{0,255,255}},
        {{0,255,0}},
        {{255,128,0}},
        {{255,255,0}},
        {{255,0,0}},
        {{255,0,255}}
    };

    double scale = 1.3;
    IplImage* gray = cvCreateImage( cvSize(img->width,img->height), 8, 1 );
    IplImage* small_img = cvCreateImage( cvSize( cvRound (img->width/scale),
                         cvRound (img->height/scale)),
                     8, 1 );
    int i;

    cvCvtColor( img, gray, CV_BGR2GRAY );
    cvResize( gray, small_img, CV_INTER_LINEAR );
    cvEqualizeHist( small_img, small_img );
    cvClearMemStorage( storage );

    if( cascade )
    {
        double t = (double)cvGetTickCount();
        CvSeq* faces = cvHaarDetectObjects( small_img, cascade, storage,
                                            1.1, 2, 0/*CV_HAAR_DO_CANNY_PRUNING*/,
                                            cvSize(30, 30) );
        t = (double)cvGetTickCount() - t;
        printf( "detection time = %gms\n", t/((double)cvGetTickFrequency()*1000.) );
        for( i = 0; i < (faces ? faces->total : 0); i++ )
        {
            CvRect* r = (CvRect*)cvGetSeqElem( faces, i );
            CvPoint center;
            int radius;
            center.x = cvRound((r->x + r->width*0.5)*scale);
            center.y = cvRound((r->y + r->height*0.5)*scale);
            radius = cvRound((r->width + r->height)*0.25*scale);
            cvCircle( img, center, radius, colors[i%8], 3, 8, 0 );
        }
    }

    cvShowImage( "result", img );
    cvReleaseImage( &gray );
    cvReleaseImage( &small_img );
}