[ OpenCV ] 利用 Opencv訓練 Haar級聯數據

本篇純為筆記，先寫下來擔心自己忘了，同時希望也能幫助到一些朋友。
可能有很多地方有錯，歡迎糾正。

開始前請先確認自己安裝了 Opencv，作者是在 Python2環境下使用 opencv-2.4.9，但我在 Python2環境中用 opencv-3.1.0也可以正常訓練。
接著 clone訓練用的代碼

git clone https://github.com/mrnugget/opencv-haar-classifier-training

資料夾結構如下

. opencv-haar-classifier-training
├── LICENSE
├── README.md
├── bin
│   └── createsamples.pl
├── classifier
├── negative_images
├── positive_images
├── samples
├── tools
│   └── mergevec.py
└── trained_classifiers
    └── banana_classifier.xml

把正樣本放到 positive_images資料夾中，負樣本放到 negative_images資料夾中。
正樣本的圖像要將要 detect的目標物剪裁成只有目標物的大小。
圖像的比例沒有硬性要求，但不要差太多。
  
工作上的圖片不方便放到這，所以就直接放上 Tutorial裡的照片。
而負樣本就我所知，什麼照片都可以，就是不要放圖中有目標物的照片。(聽說負樣本越多越好)
接著輸入以下指令，將 positive_images和 negative_images裡的一些資訊打包成 txt檔。

find ./positive_images -iname "*.jpg" > positives.txt
find ./negative_images -iname "*.jpg" > negatives.txt

接著輸入下列指令，將正樣本打包成 *.vec的文件，文件將會儲存在 samples資料夾中。

perl bin/createsamples.pl positives.txt negatives.txt samples 1500\
  "opencv_createsamples -bgcolor 0 -bgthresh 0 -maxxangle 1.1\
  -maxyangle 1.1 maxzangle 0.5 -maxidev 40 -w 80 -h 40"

特別需要注意的是 -w和 -h，這將會影響之後在 detect時尋找目標的尺寸。至於其他參數可以參考這裡。

然後輸入下列指令，將 samples資料夾中所有的 *.vec檔打包成 samples.vec，並儲存在文檔的主目錄。作者撰寫該文件時是在 Python2的環境，所以 Python3環境會執行錯誤。

python ./tools/mergevec.py -v samples/ -o samples.vec

最後輸入下列指令，開始訓練 Haar級聯數據。

opencv_traincascade -data classifier -vec samples.vec -bg negatives.txt\
  -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -numPos 1000\
  -numNeg 600 -w 80 -h 40 -mode ALL -precalcValBufSize 1024\
  -precalcIdxBufSize 1024

特別需要注意的是 -w和 -h的值要輸入前面打包 *.vec的文件時輸入的 -w和 -h，如果不一樣會不能訓練。
-precalcValBufSize和 -precalcIdxBufSize是提供訓練時使用的記憶體(Mb)，如果想要訓練快一點可以把值加大。
其他參數也很重要，可以參考這裡。

如果急著需要 trained model，可以加上 "-featureType LBP"。會快非常多，但相對 loss會比較大。

opencv_traincascade -data classifier -vec samples.vec -bg negatives.txt\
  -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -numPos 1000\
  -numNeg 600 -w 80 -h 40 -mode ALL -precalcValBufSize 1024\
  -precalcIdxBufSize 1024 -featureType LBP

訓練完成後，就會在 classifier資料夾中看到 classifier.xml，接著就可以拿來捕捉物件啦。

假設 -numStages設定為 20，但有時 Stage可能還沒走到20，但卻顯示下列資訊，

Required leaf false alarm rate achieved. Branch training terminated.

意思是指說訓練的模型已經達到指定的精度，有需要的話可以把精度調整更苛刻，或是添加更多的數據。
不打算做任何更動的話，在 classifier資料夾一樣會出現 classifier.xml。

如何利用 Haar級聯數據捕捉歡迎參考 "利用 OpenCV抓取相片中的臉部數據"。

---

本文參考 Train your own OpenCV Haar classifier和 OpenCV documentation。