Я нашел этот учебник по созданию собственных каскадов хара-классификатора.
Это подняло вопрос со мной: какие преимущества, если таковые имеются, для запуска HaarTraining и создания собственного классификатора (в отличие от использования каскадов, предоставляемых OpenCv)?
Классификаторы каскадов Хаара или LBP являются обычным методом, используемым для обнаружения или жестких объектов. Итак, вот два основных момента для обучения вашему собственному каскаду:
Каскады, идущие с OpenCV, не охватывают все возможные типы объектов. Таким образом, вы можете использовать один из каскадов OpenCV, если вы собираетесь создать приложение для распознавания лиц, но нет готовых к использованию каскадов, если вам нужно обнаружить, например, собак.
И каскады от OpenCV хороши, но они не самые лучшие. Это сложная задача, но можно обучить каскад, который будет иметь более высокий уровень обнаружения и создать меньше ложных срабатываний и ложных отрицаний.
И одно важное замечание: приложение haartrining, используемое в вашем учебнике, теперь считается устаревшим командой OpenCV. opencv_traincascade - более новая версия и имеет две важные функции: поддерживает функции LBP и поддерживает многопоточность (TBB). Типичная разница выглядит так:
haartraining + singlecore > 3 недели для одного классификатора.
traincascades + multicore < 30 минут для одного классификатора.
Но хуже всего я не знаю хороших учебников, объясняющих использование opencv_traincascade. Подробнее см. этот поток.
Я могу привести пример Linux. Код и методы были извлечены из различных источников. Это этот пример, но с версией mergevec на python, поэтому вам не нужно компилировать файл mergevec.cpp.
Предполагая, что у вас есть две папки с обрезанными и готовыми положительными и отрицательными изображениями (.png файлы в этом примере), вы создаете два текстовых файла со всеми именами изображений в:
find positive_images -iname "*.png" > positives.txt
find negative_images -iname "*.png" > negatives.txt
Затем, используя createsamples.pl script, предоставленный Наотоши Сео (в папке OpenCV/bin), которая берет два текста файлы и выходную папку и создает файлы .vec:
perl createsamples.pl positives.txt negatives.txt 'output' 1500 "opencv_createsamples -bgcolor 0 -bgthresh 0 -maxzangle 0.5 -w 50 -h 50"
Следуйте за этим с помощью python script, созданного Blake Wulfe под именем mergevec.py, который создаст файл output.vec, объединив все .vec файлы в подпапке
python mergevec.py -v samples -o output.vec
Предполагая, что все сделано, использование opencv_traincascade следующим образом должно помочь:
opencv_traincascade -data classifier -vec output.vec -bg negatives.txt \
-numStages 10 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -numPos 200 \
-numNeg 400 -w 50 -h 50 -mode ALL
Если все будет хорошо, используйте свой недавно созданный каскад (classifier/cascade.xml) с чем-то вроде facesetect.py из образцов opencv:
opencv-3.0.0-rc1/samples/python2/facedetect.py --cascade classifier/cascade.xml test_movie.mp4