樣本訓練要求

1、杯子的背景要統(tǒng)一嗎，因為有些背景是白色，有些是淡淡的背景色，還有些深色的背景色

答：背景色要統(tǒng)一

2、整個圖的大小就是最外面一個框框起來那么大，

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，訓練分類器用的什么 圖片 就用什么 圖片作測試
即來源圖片分別用于訓練和測試

6、那正樣本選擇方面有沒有要求，如玻璃杯
當然有要求。
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？大小是要歸一化的
可以的。網(wǎng)上的圖像實際上也來源于生活或科研拍攝的
其實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)用場合就有不同的歸一化方法

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

9、負樣本最好含有正樣本中的背景部分

訓練失敗的原因很多：

1、負樣本數(shù)目太少，導致Adaboost算法漢有跳出死循環(huán)，

2、負樣本之間重復部分過多，或正樣本尺寸過大，導致訓練分類器時內(nèi)在溢出。

.vec文件里的東西是用二進制的形式表示的。
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。視頻中的人頭尺寸，光照，角度都很不相同。
1. 請問haar訓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行訓練？
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，比較方便。人臉在圖片中的位置盡量也相同。

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

4.在訓練中，本人發(fā)現(xiàn)了一種情況：如果正負樣本差別較小，即負樣本從待檢測視頻圖像中的背景獲取，并且與正樣本一樣大的話，訓練就會在某一個節(jié)點上停下來，并且?guī)滋煲策^不了這個節(jié)點；而如果負樣本與正樣本差別很大（尺寸與取樣上都差別很大）的話，訓練結(jié)束比較快，但是用得到的xml文件去做檢測的話，效果很不好。請問這是不是矛盾，該怎么解決？
正負樣本照理說應(yīng)該不會差別不大，除非你是要偵測笑臉/非笑臉，另外可能是你負樣本太少，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來測試原始訓練樣本(200*200p)可以有八成的hitrate，false大概幾十個。

（1）收集訓練樣本：

訓練樣本包括正樣本和負樣本。正樣本，通俗點說，就是圖片中只有你需要的目標。而負樣本的圖片只要其中不含有目標就可以了。但需要說明的是，負樣本也并非隨便選取的。例如，你需要檢測的目標是汽車，那么正樣本就應(yīng)該是僅僅含有汽車的圖片，而負樣本顯然不能是一些包含天空的，海洋的，風景的圖片。因為你最終訓練分類器的目的是檢測汽車，而汽車應(yīng)該出現(xiàn)在馬路上。也就是說，分類器最終檢測的圖片應(yīng)該是那些包含馬路，交通標志，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、交通標志、廣告牌等。

另外，需要提醒的是，adaboost方法也是機器學習中的一個經(jīng)典算法，而機器學習算法的前提條件是，測試樣本和訓練樣本獨立同分布。所謂的獨立同分布，可以簡單理解為：訓練樣本要和最終的應(yīng)用場合非常接近或者一致。否則，基于機器學習的算法并不能保證算法的有效性。此外，足夠的訓練樣本（至少得幾千張正樣本、幾千張負樣本）也是保證訓練算法有效性的一個前提條件。

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目錄下包含了這個可執(zhí)行的程序。
正樣本可以由單個的目標圖片或者一系列的事先標記好的圖片來創(chuàng)建。
createsamples程序的命令行參數(shù)：
命令行參數(shù)：
－vec <vec_file_name>
訓練好的正樣本的輸出文件名。
－img<image_file_name>
源目標圖片（例如：一個公司圖標）
－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，每個樣本會被顯示出來，按下"esc"會關(guān)閉這一開關(guān)，即不顯示樣本圖片，而創(chuàng)建過程繼續(xù)。這是個有用的debug選項。
－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預先標記好的圖像集合中獲取。這個集合由一個文本文件來描述，類似于背景描述文件。每一個文本行對應(yīng)一個圖片。每行的第一個元素是圖片文件名，第二個元素是對象實體的個數(shù)。后面緊跟著的是與之匹配的矩形框（x , y ,寬度,高度）。
下面是一個創(chuàng)建樣本的例子：
假定我們要進行人臉的檢測，有18個正樣本圖片文件face00001.bmp,…face00100.bmp；有45個背景圖片文件：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包含了單個目標對象實體，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>
標記特征的圖片集合的描述文件。在cmd窗口下來進行樣本的創(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下進入圖片目錄，輸入dir /b *.bmp > negdata.txt, 則會在此目錄中產(chǎn)生一個negdata.txt,文件中包含所有當前目錄下的文件名,就可以建成負樣本描述文件。對于正樣本描述文件，方法同負樣本，只要把bmp替換成1 0 0 20 20即可。如果樣本圖片太多，在txt中替換會導致程序無法響應(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、訓練分類器
樣本創(chuàng)建之后，接下來要訓練分類器，這個過程是由haartraining程序來實現(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>
用來訓練每一個分類器階段的正/負樣本。合理的值是：nPos = 7000;nNeg = 3000
－nstages<number_of_stages>
訓練的階段數(shù)。
－nsplits<number_of_splits>
決定用于階段分類器的弱分類器。如果1，則一個簡單的stump classifier被使用。如果是2或者更多，則帶有number_of_splits個內(nèi)部節(jié)點的CART分類器被使用。
－mem<memory_in_MB>
預先計算的以MB為單位的可用內(nèi)存。內(nèi)存越大則訓練的速度越快。
－sym（default）
－nonsym
指定訓練的目標對象是否垂直對稱。垂直對稱提高目標的訓練速度。例如，正面部是垂直對稱的。
－minhitrate<min_hit_rate>
每個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誤報警率?？偟腻e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。一個基本的選擇是0.9
－eqw
－mode<basic(default)|core|all>
選擇用來訓練的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>
訓練樣本的尺寸，（以像素為單位）。必須和訓練樣本創(chuàng)建的尺寸相同。
一個訓練分類器的例子：

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

訓練開始，如下圖，可能會一小段時間才訓練完成。

（可能實際結(jié)果與上圖有出入， 但看到最后的 ，就說明訓練成功了。

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

訓練結(jié)束后，會在目錄data下生成一些子目錄，即為訓練好的分類器。

訓練結(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.如果跑到某一個分類器時，幾個小時也沒有反應(yīng)，而且顯示不出訓練百分比，這是因為你的負樣本數(shù)量太少，或者負樣本的尺寸太小，所有的負樣本在這個分類器都被reject了，程序進入不了下一個循環(huán)，果斷放棄吧。解決方法：負樣本盡量要大一些，比如我的正樣本是40*15，共300個,負樣本是640*480，共500個。(我當時的錯誤就出現(xiàn)在這，把負本改大后，就成功了）

2.讀取樣本時報錯：Negative or too large argument of CvAlloc function，網(wǎng)上說這個錯誤是因為opencv規(guī)定單幅iplimage的內(nèi)存分配不能超過10000，可是我的每個負樣本都不會超過這個大小，具體原因不明。后來我把負樣本的數(shù)量減少，尺寸加大，這個問題就解決了。

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