樣本訓(xùn)練要求

1、杯子的背景要統(tǒng)一嗎，因?yàn)橛行┍尘笆前咨行┦堑谋尘吧?，還有些深色的背景色

答：背景色要統(tǒng)一

2、整個(gè)圖的大小就是最外面一個(gè)框框起來那么大，

問題是：我需要在原圖基礎(chǔ)上截圖嗎，如：只把紅框框起來的那部分截出來？？？

答：不用的

3、那圖片是256色的還是彩色的呢？

答：灰度最佳

5、一般來說，訓(xùn)練分類器用的什么 圖片 就用什么 圖片作測(cè)試
即來源圖片分別用于訓(xùn)練和測(cè)試

6、那正樣本選擇方面有沒有要求，如玻璃杯
當(dāng)然有要求。
最好各種形狀的玻璃杯都有樣本，每種玻璃杯從不同角度拍攝的樣本都有
7、那網(wǎng)上截些有關(guān)玻璃杯的圖可以嗎？大小是要?dú)w一化的
可以的。網(wǎng)上的圖像實(shí)際上也來源于生活或科研拍攝的
其實(shí)可以不是圖片的歸一化，還可以是特征的歸一化
歸一化的話可以根據(jù)緩需求，不同應(yīng)用場(chǎng)合就有不同的歸一化方法

8、那關(guān)于杯子這個(gè)正樣本，我要弄大約多少?gòu)垐D片呀？
樣本要多，當(dāng)然并不是越多越好，而是每一張都有代表性，能反映一定意義

9、負(fù)樣本最好含有正樣本中的背景部分

訓(xùn)練失敗的原因很多：

1、負(fù)樣本數(shù)目太少，導(dǎo)致Adaboost算法漢有跳出死循環(huán)，

2、負(fù)樣本之間重復(fù)部分過多，或正樣本尺寸過大，導(dǎo)致訓(xùn)練分類器時(shí)內(nèi)在溢出。

.vec文件里的東西是用二進(jìn)制的形式表示的。
首先寫的是樣本的數(shù)量，然后是樣本大小width*height，后面就是圖片像素值。

在opencv下的cvsamples.cpp就能看的很清楚了。

本文現(xiàn)在正在做人頭檢測(cè)。視頻中的人頭尺寸，光照，角度都很不相同。
1. 請(qǐng)問haar訓(xùn)練中正樣本是不是只能是在光照尺寸和角度都一致的情況下進(jìn)行訓(xùn)練？
正樣本的光照可以是有變化的，正樣本應(yīng)該保留一些樣本以外的背景，但不能過大，角度的話，人臉轉(zhuǎn)90度都還可以接受。
其實(shí)你正樣本的種類(不同角度.不同光照.不同人臉)越多，就需要更多的矩形特徵來作分類。

2.正負(fù)樣本需要一樣的大小么？
人臉建議使用20*20，大小要盡量統(tǒng)一，這樣在做Description txt file時(shí)，比較方便。人臉在圖片中的位置盡量也相同。

3.有人說正負(fù)樣本數(shù)量比例最好是7：3，也有人說正負(fù)樣本須一樣多。這是怎么回事？
我怎麼聽說 正：負(fù)=1：3比較好。建議你可以先試試看1000:3000應(yīng)該不用花太多時(shí)間訓(xùn)練。

4.在訓(xùn)練中，本人發(fā)現(xiàn)了一種情況：如果正負(fù)樣本差別較小，即負(fù)樣本從待檢測(cè)視頻圖像中的背景獲取，并且與正樣本一樣大的話，訓(xùn)練就會(huì)在某一個(gè)節(jié)點(diǎn)上停下來，并且?guī)滋煲策^不了這個(gè)節(jié)點(diǎn)；而如果負(fù)樣本與正樣本差別很大（尺寸與取樣上都差別很大）的話，訓(xùn)練結(jié)束比較快，但是用得到的xml文件去做檢測(cè)的話，效果很不好。請(qǐng)問這是不是矛盾，該怎么解決？
正負(fù)樣本照理說應(yīng)該不會(huì)差別不大，除非你是要偵測(cè)笑臉/非笑臉，另外可能是你負(fù)樣本太少，所以false alarm數(shù)值太高，所以haartraining 沒有正常terminate

5.參數(shù)stage一般設(shè)置多大？
我目前使用如下指令
opencv_haartraining.exe -data "d:\training0421\20s" -vec "d:\training0421\positive\positives.vec" -bg "d:\training0421\negative\negative.txt" -npos 1681 -nneg 3406 -nstages 20 -nsplits 2 -minhitrate 0.995 -maxfalsealarm 0.5 -mode ALL -mem 2000 -w 20 -h 20
使用profermance來測(cè)試原始訓(xùn)練樣本(200*200p)可以有八成的hitrate，false大概幾十個(gè)。

（1）收集訓(xùn)練樣本：

訓(xùn)練樣本包括正樣本和負(fù)樣本。正樣本，通俗點(diǎn)說，就是圖片中只有你需要的目標(biāo)。而負(fù)樣本的圖片只要其中不含有目標(biāo)就可以了。但需要說明的是，負(fù)樣本也并非隨便選取的。例如，你需要檢測(cè)的目標(biāo)是汽車，那么正樣本就應(yīng)該是僅僅含有汽車的圖片，而負(fù)樣本顯然不能是一些包含天空的，海洋的，風(fēng)景的圖片。因?yàn)槟阕罱K訓(xùn)練分類器的目的是檢測(cè)汽車，而汽車應(yīng)該出現(xiàn)在馬路上。也就是說，分類器最終檢測(cè)的圖片應(yīng)該是那些包含馬路，交通標(biāo)志，建筑物，廣告牌，汽車，摩托車，三輪車，行人，自行車等在內(nèi)的圖片。很明顯，這里的負(fù)樣本應(yīng)該是包含摩托車、三輪車、自行車、行人、路面、灌木叢、花草、交通標(biāo)志、廣告牌等。

另外，需要提醒的是，adaboost方法也是機(jī)器學(xué)習(xí)中的一個(gè)經(jīng)典算法，而機(jī)器學(xué)習(xí)算法的前提條件是，測(cè)試樣本和訓(xùn)練樣本獨(dú)立同分布。所謂的獨(dú)立同分布，可以簡(jiǎn)單理解為：訓(xùn)練樣本要和最終的應(yīng)用場(chǎng)合非常接近或者一致。否則，基于機(jī)器學(xué)習(xí)的算法并不能保證算法的有效性。此外，足夠的訓(xùn)練樣本（至少得幾千張正樣本、幾千張負(fù)樣本）也是保證訓(xùn)練算法有效性的一個(gè)前提條件。

正樣本由程序createsample程序來創(chuàng)建。該程序的源代碼由OpenCV給出，并且在bin目錄下包含了這個(gè)可執(zhí)行的程序。
正樣本可以由單個(gè)的目標(biāo)圖片或者一系列的事先標(biāo)記好的圖片來創(chuàng)建。
createsamples程序的命令行參數(shù)：
命令行參數(shù)：
－vec <vec_file_name>
訓(xùn)練好的正樣本的輸出文件名。
－img<image_file_name>
源目標(biāo)圖片（例如：一個(gè)公司圖標(biāo)）
－bg<background_file_name>
背景描述文件。
－num<number_of_samples>
要產(chǎn)生的正樣本的數(shù)量，和正樣本圖片數(shù)目相同。 －maxidev<max_intensity_deviation>
背景色最大的偏離度。
－maxangel<max_x_rotation_angle>
－maxangle<max_y_rotation_angle>，
－maxzangle<max_x_rotation_angle>
最大旋轉(zhuǎn)角度，以弧度為單位。
－show
如果指定，每個(gè)樣本會(huì)被顯示出來，按下"esc"會(huì)關(guān)閉這一開關(guān)，即不顯示樣本圖片，而創(chuàng)建過程繼續(xù)。這是個(gè)有用的debug選項(xiàng)。
－w<sample_width>
輸出樣本的寬度（以像素為單位）
－h<sample_height>
輸出樣本的高度，以像素為單位。
注：正樣本也可以從一個(gè)預(yù)先標(biāo)記好的圖像集合中獲取。這個(gè)集合由一個(gè)文本文件來描述，類似于背景描述文件。每一個(gè)文本行對(duì)應(yīng)一個(gè)圖片。每行的第一個(gè)元素是圖片文件名，第二個(gè)元素是對(duì)象實(shí)體的個(gè)數(shù)。后面緊跟著的是與之匹配的矩形框（x , y ,寬度,高度）。
下面是一個(gè)創(chuàng)建樣本的例子：
假定我們要進(jìn)行人臉的檢測(cè)，有18個(gè)正樣本圖片文件face00001.bmp,…face00100.bmp；有45個(gè)背景圖片文件：B1_00001.bmp, …B1_00200.bmp，文件目錄結(jié)構(gòu)如下：
e:\test\negdata\
face0001.bmp

……
face0018.bmp

info.txt

e:\test\posdata

B1_001.bmp

……
B1_0045.bmp
negdata.dat
正樣本描述文件info.txt的內(nèi)容如下：
face00001.bmp 1 0 0 20 20
……
face00100.bmp 1 0 0 20 20

背景（負(fù)樣本）描述文件negdata.txt的內(nèi)容如下：
B1_00001.bmp ……
B1_00200.bmp

圖片imag1.bmp包含了單個(gè)目標(biāo)對(duì)象實(shí)體，矩形為（0，0，20，20）。
注意：要從圖片集中創(chuàng)建正樣本，要用－info參數(shù)而不是用－img參數(shù)。

－info <collect_file_name>
標(biāo)記特征的圖片集合的描述文件。在cmd窗口下來進(jìn)行樣本的創(chuàng)建：

C:\Program Files\OpenCV\bin>createsamples -info e:\test\posdata\info.txt -vec e:\test\posdata\pos.vec -num 18 -w 20 -h 20【解釋下】。。。。

小貼士1:

可以采用Dos命令生成樣本描述文件(一般樣本圖片上萬幅)，在Dos下進(jìn)入圖片目錄，輸入dir /b *.bmp > negdata.txt, 則會(huì)在此目錄中產(chǎn)生一個(gè)negdata.txt,文件中包含所有當(dāng)前目錄下的文件名,就可以建成負(fù)樣本描述文件。對(duì)于正樣本描述文件，方法同負(fù)樣本，只要把bmp替換成1 0 0 20 20即可。如果樣本圖片太多，在txt中替換會(huì)導(dǎo)致程序無法響應(yīng)，可以先把內(nèi)容拷貝到word中替換后再拷貝回來。

小貼士2:

一些處理后的人臉圖片的網(wǎng)址
http://vasc.ri./idb/html/face/frontal_images/

http://www./challenges/VOC/databases.html#VOC2005_1

三、訓(xùn)練分類器
樣本創(chuàng)建之后，接下來要訓(xùn)練分類器，這個(gè)過程是由haartraining程序來實(shí)現(xiàn)的。該程序源碼由OpenCV自帶，且可執(zhí)行程序在OpenCV安裝目錄的bin目錄下。
Haartraining的命令行參數(shù)如下：
－data<dir_name>
存放訓(xùn)練好的分類器的路徑名。
－vec<vec_file_name>
正樣本文件名（由trainingssamples程序或者由其他的方法創(chuàng)建的）
－bg<background_file_name>
背景描述文件。
－npos<number_of_positive_samples>，
－nneg<number_of_negative_samples>
用來訓(xùn)練每一個(gè)分類器階段的正/負(fù)樣本。合理的值是：nPos = 7000;nNeg = 3000
－nstages<number_of_stages>
訓(xùn)練的階段數(shù)。
－nsplits<number_of_splits>
決定用于階段分類器的弱分類器。如果1，則一個(gè)簡(jiǎn)單的stump classifier被使用。如果是2或者更多，則帶有number_of_splits個(gè)內(nèi)部節(jié)點(diǎn)的CART分類器被使用。
－mem<memory_in_MB>
預(yù)先計(jì)算的以MB為單位的可用內(nèi)存。內(nèi)存越大則訓(xùn)練的速度越快。
－sym（default）
－nonsym
指定訓(xùn)練的目標(biāo)對(duì)象是否垂直對(duì)稱。垂直對(duì)稱提高目標(biāo)的訓(xùn)練速度。例如，正面部是垂直對(duì)稱的。
－minhitrate<min_hit_rate>
每個(gè)階段分類器需要的最小的命中率?？偟拿新蕿?/span>min_hit_rate的number_of_stages次方。
－maxfalsealarm<max_false_alarm_rate>
沒有階段分類器的最大錯(cuò)誤報(bào)警率?？偟腻e(cuò)誤警告率為max_false_alarm_rate的number_of_stages次方。
－weighttrimming<weight_trimming>
指定是否使用權(quán)修正和使用多大的權(quán)修正。一個(gè)基本的選擇是0.9
－eqw
－mode<basic(default)|core|all>
選擇用來訓(xùn)練的haar特征集的種類。basic僅僅使用垂直特征。all使用垂直和45度角旋轉(zhuǎn)特征。
－w<sample_width>
－h<sample_height>
訓(xùn)練樣本的尺寸，（以像素為單位）。必須和訓(xùn)練樣本創(chuàng)建的尺寸相同。
一個(gè)訓(xùn)練分類器的例子：

C:\Program Files\OpenCV\bin>haartraining -data e:\test\data\cascade -vec e:\test\posdata\pos.vec -bg e:\test\negdata\negdata.txt -npos 18 -nneg 45 -nsplits 1 -mem 512 -mode ALL -w 20 -h 20 -minhitrage 0.998 -maxfalsealarm 0.5 -nstages

訓(xùn)練開始，如下圖，可能會(huì)一小段時(shí)間才訓(xùn)練完成。

（可能實(shí)際結(jié)果與上圖有出入， 但看到最后的 ，就說明訓(xùn)練成功了。

在bin目錄會(huì)生成一份可愛的data.xml文檔，這個(gè)就是我們想要的結(jié)果了！

訓(xùn)練結(jié)束后，會(huì)在目錄data下生成一些子目錄，即為訓(xùn)練好的分類器。

訓(xùn)練結(jié)束后，還要使用haarconv.exe生成xml文件，可以通過下列網(wǎng)頁(yè)下載。

http://www./forum/viewtopic.php?t=5181

重要！可能遇到的問題：

1.如果跑到某一個(gè)分類器時(shí)，幾個(gè)小時(shí)也沒有反應(yīng)，而且顯示不出訓(xùn)練百分比，這是因?yàn)槟愕呢?fù)樣本數(shù)量太少，或者負(fù)樣本的尺寸太小，所有的負(fù)樣本在這個(gè)分類器都被reject了，程序進(jìn)入不了下一個(gè)循環(huán)，果斷放棄吧。解決方法：負(fù)樣本盡量要大一些，比如我的正樣本是40*15，共300個(gè),負(fù)樣本是640*480，共500個(gè)。(我當(dāng)時(shí)的錯(cuò)誤就出現(xiàn)在這，把負(fù)本改大后，就成功了）

2.讀取樣本時(shí)報(bào)錯(cuò)：Negative or too large argument of CvAlloc function，網(wǎng)上說這個(gè)錯(cuò)誤是因?yàn)閛pencv規(guī)定單幅iplimage的內(nèi)存分配不能超過10000，可是我的每個(gè)負(fù)樣本都不會(huì)超過這個(gè)大小，具體原因不明。后來我把負(fù)樣本的數(shù)量減少，尺寸加大，這個(gè)問題就解決了。

3.訓(xùn)練的過程可能經(jīng)常出錯(cuò)，耐心下來不要著急，我在訓(xùn)練MRI分類器的時(shí)候失敗了無數(shù)次。失敗的時(shí)候有兩件事可以做，第一，調(diào)整正負(fù)樣本的數(shù)量，再試。第二，調(diào)整負(fù)樣本的大小，祝大家好運(yùn)。