HaarTraining算法剖析-Opencv

OpenCV之HaarTraining算法剖析作者：周明才Email：[e-mail]版权所有，未经作者授权，不得用于商业目的。由于作者水平有限，文中还会有不妥甚至错误之处，欢迎大家批评指正，同时希望能与一起交流探讨！QQ:43561762008.10.08第二版1.引言通过前段时间阅读OpenCV的HaarTraining代码，基本掌握了HaarTraining算法。现将其中的算法作一梳理，同时对HaarTraining的使用方法做一简要说明。HaarTraining算法总体上以Friedman,J.H等人的“AdditiveLogisticRegression:aStatisticalViewofBoosting”为出发点，实现了其中2类分类问题的4种Boost算法：DiscreteAdaBoost,RealAdaBoost,LogitBoost和GentleAdaBoost。同时实现了文中第8节AdditiveLogisticTrees和第9节WeightTrimming.Friedman,J.H等人只描述了如何训练一个强分类器，对于训练级联的强分类器（CascadeofClassifiers），OpenCV采用的是PaulViola等人的“RobustReal-TimeFaceDetection”中所述方法。HaarTraining采用的是OpenCV扩展的Haar特征，具体描述可参考RainerLienhart等人的“AnExtendedSetofHaar-likeFeaturesforRapidObjectDetection”。2.总体框架要训练一个Haar分类器，总体上包括3步：1)准备正负样本；2)用CreateSamples程序建正样本集；3)用HaarTraining程序训练，得到昀终的分类器模型（xml文件）。如图2.1所示。图2.1训练Haar分类器总器框架13.样本准备HaarTraining需要使用正样本和负样本进行训练。下面分别进行描述。3.1正样本对于正样本，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小），如图3.1所示。图3.1正样本集示意图由于HaarTraining训练时输入的正样本是vec文件，所以需要使用OpenCV自带的CreateSamples程序将准备好的正样本转换为vec文件。转换的步骤如下：1)制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在图片中的位置和大小。典型的正样本描述文件如下：face_100/face00001.bmp1002020face_100/face00002.bmp1002020face_100/face00003.bmp1002020…可采用Dos命令结合EditPlus软件生成样本描述文件。具体方法是在Dos下的恰当目录敲入dirface_100/bsamples.dat，则会生成一个samples.dat，里面包含所有正样本文件名列表，但没有相对路径名和正样本位置信息。在samples.dat文件各行行首增加“face_100/”的方法是使用EditPlus，先选中所有行，然后按Tab键为每行增加一个制表位，然后将制表位全部替换为“face_100/”即可。通过将“bmp”替换为“bmp1002020”即可在每行添加“1002020”。2)运行CreateSamples程序。如果直接在VC环境下运行，可以在Project\Settings\Debug属性页的Programarguments栏设置运行参数。下面是一个运行参数示例：-infoF:\FaceDetect\samples.dat-vecF:\FaceDetect\samples.vec-num200-w20-h20表示有200个样本，样本宽20，高20，正样本描述文件为samples.dat，结果输出到samples.vec。3)运行完了会生成一个*.vec的文件。该文件包含正样本数目，宽高以及所有样本图2像数据。3.2负样本负样本图像可以是不含有正样本模式的任何图像，比如一些风景照等。训练时，OpenCV需要一个负样本描述文件，该文件只需包含所有负样本的文件名及绝对（或相对）路径名。以下是一个负样本描述文件内容示例：nonface_200/00001.bmpnonface_200/00002.bmpnonface_200/00003.bmp…负样本描述文件的生成方法可参照正样本描述文件生成方法。负样本图像的大小只要不小于正样本就可以，在使用负样本时，OpenCV自动从负样本图像中抠出一块和正样本同样大小的区域作为负样本，具体可查看函数icvGetNextFromBackgroundData（）。具体抠图过程为：1)确定抠图区域的左上角坐标(Point.x,Point.y)2)确定一个昀小缩放比例，使得原负样本图像缩放后恰好包含选中负样本区域3)对原负样本图象按计算好的缩放比例进行缩放4)在缩放后的图像上抠出负样本，如图3.2左半部分的虚线框所示。Reader-imgReader-src(Point.x,Point.y)图3.2抠图示意图34.训练准备好正样本集（即samples.vec文件），负样本集及其描述文件后，就可以看是训练了。从下面的代码中可以看出训练时命令行参数列表。printf(Usage:%s\n-datadir_name\n-vecvec_file_name\n-bgbackground_file_name\n[-nposnumber_of_positive_samples=%d]\n[-nnegnumber_of_negative_samples=%d]\n[-nstagesnumber_of_stages=%d]\n[-nsplitsnumber_of_splits=%d]\n[-memmemory_in_MB=%d]\n[-sym(default)][-nonsym]\n[-minhitratemin_hit_rate=%f]\n[-maxfalsealarmmax_false_alarm_rate=%f]\n[-weighttrimmingweight_trimming=%f]\n[-eqw]\n[-modeBASIC(default)|CORE|ALL]\n[-wsample_width=%d]\n[-hsample_height=%d]\n[-btDAB|RAB|LB|GAB(default)]\n[-errmisclass(default)|gini|entropy]\n[-maxtreesplitsmax_number_of_splits_in_tree_cascade=%d]\n[-minposmin_number_of_positive_samples_per_cluster=%d]\n,argv[0],npos,nneg,nstages,nsplits,mem,minhitrate,maxfalsealarm,weightfraction,width,height,maxtreesplits,minpos);如果在VC中进行调试，可采用第3章介绍的方法设置命令行参数，我在调试时设置的参数如下：-dataF:\FaceDetect\trainout-vecF:\FaceDetect\samples.vec-bgF:\FaceDetect\negatives.dat-nstages3-nsplits2-minhitrate0.999-maxfalsealarm0.5-npos100-nneg200-w20-h20-mem512-eqw1-modeALL-btGAB-minpos50为调试方便，正负样本数目用的非常少，正样本100个，负样本200个。通过查看cvhaartraining.h文件的cvCreateCascadeClassifier函数参数说明可进一步了解上述参数的含义：/**cvCreateCascadeClassifier**Createcascadeclassifier*dirname-directorynameinwhichcascadeclassifierwillbecreated.*Itmustexistandcontainsubdirectories0,1,2,...(nstages-1).*vecfilename-nameof.vecfilewithobject'simages4*bgfilename-nameofbackgrounddescriptionfile*npos-numberofpositivesamplesusedintrainingofeachstage*nneg-numberofnegativesamplesusedintrainingofeachstage*nstages-numberofstages*numprecalculated-numberoffeaturesbeingprecalculated.Eachprecalculatedfeature*requires(number_of_samples*(sizeof(float)+sizeof(short)))bytesofmemory*numsplits-numberofbinarysplitsineachweakclassifier*1-stumps,2andmore-trees.*minhitrate-desiredminhitrateofeachstage*maxfalsealarm-desiredmaxfalsealarmofeachstage*weightfraction-weighttrimmingparameter*mode-0-BASIC=Viola*1-CORE=Allupright*2-ALL=Allfeatures*symmetric-ifnot0verticalsymmetryisassumed*equalweights-ifnot0initialweightsofallsampleswillbeequal*winwidth-samplewidth*winheight-sampleheight*boosttype-typeofappliedboostingalgorithm*0-DiscreteAdaBoost*1-RealAdaBoost*2-LogitBoost*3-GentleAdaBoost*stumperror-typeofusederrorifDiscreteAdaBoostalgorithmisapplied*0-misclassificationerror*1-ginierror*2-entropyerror*/4.1训练的总体流程图4.1是HaarTraining训练的一个简单流程。这个流程之所以是简单流程，因为只有当用户是要建一个简单的级联分类器时才是这么一个流程。对于建树形强分类器，其流程比这个要复杂，暂时没有去梳理它的流程。5图4.1HaarTraining训练流程4.2创建Haar特征函数icvCreateIntHaarFeatures(winsize,mode,symmetric)负责创建所有可能的Haar特征。Mode决定使用基本的5种特征还是所有upright特征抑或所有特征。Symmetric为1时表示只创建Haar特征的中心在左半部分的所有特征，为0时创建所有特征。当训练人脸图像时，由于人脸的左右对称性可以设置Symmetric为1，以加速训练。在创建特征时，OpenCV对每种特征进行了文字描述，具体如图4.2所示。6在该函数中，有一段代码感觉有点问题：if((x+dx*2=winsize.height)&&(y+dy=winsize.width)){if(dx*2*dys0)continue;if