如何利用opencv訓(xùn)練自己的模型實現(xiàn)特定物體的識別

更新時間：2022年10月31日 11:58:32 作者：大草原的小灰灰

在Python中通過OpenCV自己訓(xùn)練分類器進行特定物體實時識別,下面這篇文章主要給大家介紹了關(guān)于如何利用opencv訓(xùn)練自己的模型實現(xiàn)特定物體的識別,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下

1.說明

opencv安裝包中有訓(xùn)練好的分類器文件，可以實現(xiàn)人臉的識別。當(dāng)然，我們也可以訓(xùn)練自己的分類器文件，實現(xiàn)對特定物體的識別。本文章就詳細介紹下如何訓(xùn)練自己的分類器文件。

2.效果

我訓(xùn)練的是檢測蘋果的的分類器文件，可以實現(xiàn)對蘋果的識別。

3.準(zhǔn)備

3.1 程序準(zhǔn)備

訓(xùn)練自己的分類器文件，需要用到兩個程序 : opencv_createsamples.exe和opencv_traincascade.exe
opencv最新的安裝包中沒有這兩個程序，我們可以下載 3.4.14這個版本的安裝包進行安裝。
- opencv安裝包 : opencv-3.4.14-vc14_vc15.exe
安裝完成后，在這個目錄下就會有這兩個程序文件 opencv\build\x64\vc15\bin

3.2 樣本數(shù)據(jù)準(zhǔn)備

正樣本數(shù)據(jù) : 也就是我們需要檢測的物體圖片，可以自己用手機拍攝下你要檢測的物體的圖片，多拍攝一些不同角度的圖片。

我的正樣本數(shù)據(jù)在這個目錄下 image\positive\img，大概有50多張圖片

然后在image\positive目錄下新建一個info.dat文件，在其中記錄正樣本圖片信息

請?zhí)砑訄D片描述

參數(shù)介紹

img/1.jpg : 文件路徑和文件名
1：表示圖片中有幾個目標(biāo)物體，一般一個就行了
0，0：目標(biāo)物體起始坐標(biāo)
1280，1706：目標(biāo)物體大小

負樣本數(shù)據(jù)：不包含我們要檢測物體的圖片，可以拍攝一些風(fēng)景之類的圖片，盡量多一些。

我的負樣本數(shù)據(jù)在這個目錄下 image\negitive\img

然后在image\negitive目錄下新建一個bg.txt文件，在其中記錄負樣本圖片信息

負樣本圖片信息我們只需記錄路徑和文件名就行了，但是這里要注意，路徑名要寫絕對路徑，后面會說為什么。

3.3 正樣本VEC文件創(chuàng)建

訓(xùn)練樣本之前先要生成vec文件，要用到opencv_createsamples.exe程序
opencv_createsamples.exe部分參數(shù)介紹

  [-info <collection_file_name>]  # 記錄樣本數(shù)據(jù)的文件(就是我們剛才創(chuàng)建的info.data文件)
  [-img <image_file_name>]    
  [-vec <vec_file_name>]   # 輸出文件，內(nèi)含用于訓(xùn)練的正樣本。 
  [-bg <background_file_name>]  # 背景圖像的描述文件
  [-num <number_of_samples = 1000>]   #樣本數(shù)量（默認(rèn)為1000）
  [-bgcolor <background_color = 0>]    #指定背景顏色
  [-w <sample_width = 24>]#輸出樣本的寬度（以像素為單位）
  [-h <sample_height = 24>]#輸出樣本的高度（以像素為單位）

參考

在安裝包的這個目錄下opencv\build\x64\vc15\bin可以找到opencv_createsamples.exe程序，我們生成下vec文件

D:\opencv3.4.12\opencv\build\x64\vc15\bin\opencv_createsamples.exe -info C:\Users\lng\Desktop\image\positive\info.dat -vec C:\Users\lng\Desktop\image\sample.vec -num 58 -bgcolor 0 -bgthresh 0 -w 24 -h 24

在image目錄下就生成了vec文件

4.樣本數(shù)據(jù)訓(xùn)練

完成上面的準(zhǔn)備工作，就可以開始訓(xùn)練樣本。訓(xùn)練樣本需要用到opencv_traincascaded.exe程序
opencv_traincascaded.exe程序部分參數(shù)介紹

 -data <cascade_dir_name>     #目錄名，如不存在訓(xùn)練程序會創(chuàng)建它，用于存放訓(xùn)練好的分類器
 -vec <vec_file_name>              #包含正樣本的vec文件名
 -bg <background_file_name>   #背景描述文件
 [-numPos <number_of_positive_samples = 2000>]   #每級分類器訓(xùn)練時所用的正樣本數(shù)目
 [-numNeg <number_of_negative_samples = 1000>]   #每級分類器訓(xùn)練時所用的負樣本數(shù)目
 [-numStages <number_of_stages = 20>]   #訓(xùn)練的分類器的級數(shù)
--cascadeParams--
 [-featureType <{HAAR(default), LBP, HOG}>]  # 特征的類型： HAAR - 類Haar特征； LBP - 局部紋理模式特征
 [-w <sampleWidth = 24>] #訓(xùn)練樣本的尺寸（單位為像素）
 [-h <sampleHeight = 24>] #訓(xùn)練樣本的尺寸（單位為像素）
--boostParams--
 [-minHitRate <min_hit_rate> = 0.995>] #分類器的每一級希望得到的最小檢測率
 [-maxFalseAlarmRate <max_false_alarm_rate = 0.5>] #分類器的每一級希望得到的最大誤檢率

參考

在安裝包的這個目錄下opencv\build\x64\vc15\bin可以找到opencv_traincascade.exe程序，開始訓(xùn)練樣本
這里注意下
- 指定-bg參數(shù)時，文件名前不能加路徑，所以需要把剛才在image\negitive下創(chuàng)建的bg.txt文件拷貝到opencv_traincascade.exe程序所在目錄下，所以要在bg.txt寫負樣本圖片的絕對路徑。
- 指定numPos參數(shù)時，因為每個階段訓(xùn)練時有些正樣本可能會被識別為負樣本，故每個訓(xùn)練階段后都會消耗一定的正樣本。因此，此處使用的正樣本數(shù)量絕對不能等于或超過positive文件夾下的正樣本個數(shù)，一般留有一定的余量
- 指定-numNeg參數(shù)時，可以多于negitive目錄下的負樣本數(shù)量

D:\opencv3.4.12\opencv\build\x64\vc15\bin\opencv_traincascade.exe -data C:\Users\lng\Desktop\image -vec C:\Users\lng\Desktop\image\sample.vec -bg bg.txt -numPos 50 -numNeg 500 -numStages 12 -feattureType HAAR -w 24 -h 24 -minHitRate 0.995 -maxFalseAlarmRate 0.5

執(zhí)行結(jié)果

PARAMETERS:
cascadeDirName: C:\Users\lng\Desktop\image
vecFileName: C:\Users\lng\Desktop\image\sample.vec
bgFileName: bg.txt
numPos: 50
numNeg: 500
numStages: 12
precalcValBufSize[Mb] : 1024
precalcIdxBufSize[Mb] : 1024
acceptanceRatioBreakValue : -1
stageType: BOOST
featureType: HAAR
sampleWidth: 24
sampleHeight: 24
boostType: GAB
minHitRate: 0.995
maxFalseAlarmRate: 0.5
weightTrimRate: 0.95
maxDepth: 1
maxWeakCount: 100
mode: BASIC
Number of unique features given windowSize [24,24] : 162336

===== TRAINING 0-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 1
Precalculation time: 0.581
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|     0.05|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 1 seconds.

===== TRAINING 1-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.084832
Precalculation time: 0.576
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|    0.146|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 3 seconds.

===== TRAINING 2-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.0149993
Precalculation time: 0.592
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|    0.186|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 5 seconds.

===== TRAINING 3-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.00288033
Precalculation time: 0.652
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|    0.298|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 7 seconds.

===== TRAINING 4-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.000768845
Precalculation time: 0.615
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|        1|
+----+---------+---------+
|   3|        1|    0.366|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 11 seconds.

===== TRAINING 5-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    500 : 0.000375057
Precalculation time: 0.61
+----+---------+---------+
|  N |    HR   |    FA   |
+----+---------+---------+
|   1|        1|        1|
+----+---------+---------+
|   2|        1|        1|
+----+---------+---------+
|   3|        1|    0.366|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 15 seconds.

===== TRAINING 6-stage =====
<BEGIN
POS count : consumed   50 : 50
NEG count : acceptanceRatio    2 : 0.00016276
Required leaf false alarm rate achieved. Branch training t

訓(xùn)練完成后，在img目錄下就會生成以下文件。

cascade.xml就是我們需要的分類器文件，其他都是過程文件。

5.測試代碼

main.cpp

#include <iostream>
#include <opencv2/opencv.hpp>

char* face_cascade_name = "C:\\Users\\lng\\Desktop\\image\\cascade.xml";

void faceRecongize(cv::CascadeClassifier faceCascade, cv::Mat frame);

int main(){
    cv::VideoCapture *videoCap = new cv::VideoCapture;

	cv::CascadeClassifier faceCascade;

    // 加載蘋果分類器文件
	if (!faceCascade.load(face_cascade_name)) {
		std::cout << "load face_cascade_name failed. " << std::endl;
		return -1;
	}

    // 打開攝像機
	videoCap->open(0);


	if (!videoCap->isOpened()) {
		videoCap->release();
		std::cout << "open camera failed"<< std::endl;
        return -1;
	}

	std::cout << "open camera success"<< std::endl;

    while(1){
		cv::Mat frame;
		//讀取視頻幀
		videoCap->read(frame);

		if (frame.empty()) {
			videoCap->release();
			return -1;
		}

        //進行蘋果識別
		faceRecongize(faceCascade, frame);

        //窗口進行展示
        imshow("face", frame);

        //等待回車鍵按下退出程序
		if (cv::waitKey(30) == 13) {
			cv::destroyAllWindows();
			return 0;
		}
    }

    system("pause");
    return 0;
}

void faceRecongize(cv::CascadeClassifier faceCascade, cv::CascadeClassifier eyesCascade, cv::CascadeClassifier mouthCascade, cv::Mat frame) {
	std::vector<cv::Rect> faces;

    // 檢測蘋果
	faceCascade.detectMultiScale(frame, faces, 1.1, 2, 0 | cv::CASCADE_SCALE_IMAGE, cv::Size(30, 30));
	for (int i = 0; i < faces.size(); i++) {
		
        // 用橢圓畫出蘋果部分
        cv::Point center(faces[i].x + faces[i].width / 2, faces[i].y + faces[i].height / 2);
		ellipse(frame, center, cv::Size(faces[i].width / 2, faces[i].height / 2), 0, 0, 360, cv::Scalar(255, 0, 255), 4, 8, 0);
		
		cv::Mat faceROI = frame(faces[i]);
		std::vector<cv::Rect> eyes;

        // 蘋果上方區(qū)域?qū)懽诌M行標(biāo)識
		cv::Point centerText(faces[i].x + faces[i].width / 2 - 40, faces[i].y - 20);
		cv::putText(frame, "apple", centerText, cv::FONT_HERSHEY_SIMPLEX, 1, cv::Scalar(0, 0, 255), 2);

	}
}

CMakeLists

cmake_minimum_required (VERSION 3.5)
project (faceRecongize2015)

MESSAGE(STATUS "PROJECT_SOURCE_DIR " ${PROJECT_SOURCE_DIR})
SET(SRC_LISTS ${PROJECT_SOURCE_DIR}/src/main.cpp)

set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")

#set(CMAKE_AUTOMOC ON)
#set(CMAKE_AUTOUIC ON)
#set(CMAKE_AUTORCC ON)

# 配置頭文件目錄
include_directories(${PROJECT_SOURCE_DIR}/src)
include_directories("D:\\opencv3.4.12\\opencv\\build\\include")
include_directories("D:\\opencv3.4.12\\opencv\\build\\include\\opencv2")

# 設(shè)置不顯示命令框
if(MSVC)
	#set(CMAKE_EXE_LINKER_FLAGS "${CMAKE_EXE_LINKER_FLAGS} /SUBSYSTEM:WINDOWS /ENTRY:mainCRTStartup")
endif()

# 添加庫文件
set(PRO_OPENCV_LIB "D:\\opencv3.4.12\\opencv\\build\\x64\\vc15\\lib\\opencv_world3412.lib" "D:\\opencv3.4.12\\opencv\\build\\x64\\vc15\\lib\\opencv_world3412d.lib")

IF(WIN32)
    # 生成可執(zhí)行程序
	ADD_EXECUTABLE(faceRecongize2015 ${SRC_LISTS})
	# 鏈接庫文件
    TARGET_LINK_LIBRARIES(faceRecongize2015 ${PRO_OPENCV_LIB})
ENDIF()

6.編譯說明

我的opencv 3.4.12的安裝路徑是 D:\opencv3.4.12

目錄結(jié)構(gòu)

- src
  - mian.cpp
- build_x64
- CMakeLists

編譯命令, 在build_x64目錄下執(zhí)行

cmake -G "Visual Studio 14 2015 Win64" ..
cmake --build ./ --config Release

編譯完成后拷貝D:\opencv3.4.12\opencv\build\x64\vc15\bin目錄下的opencv_world3412.dll和opencv_world3412d.dll到可執(zhí)行程序目錄下。

備注

經(jīng)過測試，自己訓(xùn)練的樣本，準(zhǔn)確度還是比較差的。可能是正樣本數(shù)據(jù)太少，且圖片背景占據(jù)位置較多。要提高準(zhǔn)確度，首先增加正樣本圖片數(shù)量，還要就是盡量讓你的目標(biāo)物體占滿整個圖片，不要留有太多的背景。而且也要有盡可能多的負樣本數(shù)據(jù)。