训练自己的分类器
本小节使用的图片为：
最近在项目中遇到了一个问题，需要识别图像中的红色圆形。
Hough变换的效果还可以，但是存在计算量大等问题，因此，还需要一种更为准确的方法，识别图像中的圆形。
在此前提下，我尝试训练级联分类器，尽管分类器的效果不甚理想，但是也收获颇丰。现把训练过程记录如下。
——把大象装进冰箱里需要几步？
——三步
——训练自己的分类器也不例外，三步
首先，准备正样本和负样本数据
然后，训练，得到分类器
最后，测试，看看分类器好不好用
详细步骤如下：
Step1. 准备正样本和负样本数据
不像人脸识别那样，有现成的数据集。有时候，针对特定的问题，需要我们自己构建正负样本。
(1). 正样本的构建
大家可以根据自己的问题构建正样本。在这个问题中，我通过录制视频，得到视频中每一帧的图像。对这些图像，利用Hough圆形检测的方法，分割出圆形区域，将圆形区域作为图像，保存到文件中，最后通过人工的方式删除误检的图形。最后构建了大约800个正样本。
注意： 正样本要求所有图片的大小必须统一，OpenCV中推荐的大小是20 * 20（我这里是32 * 32）。对于大小不一致的图像，可以通过
dst = cv2.resize(src, (32, 32), interpolation=cv2.INTER_AREA)
将图像大小缩放至32 * 32。
(2). 负样本的构建
负样本的构建就容易多了。只要图像的尺寸大于等于正样本图像就可以了。你可以用一些阿猫阿狗的图像，也可以用一些大海森林的图像，但是不推荐用这些图像当做负样本。应该根据实际问题，把常见的场景拿来做负样本。
我将视频中的每一帧图像，进行切割，得到负样本。 具体说来，帧图像的大小是480 * 640，按照32 *32的大小，均分成300张小图片。然后通过人工的方式，排除近似于正样本的小图片，剩下的就是负样本图片。对视频中每一帧都进行上述切割，最后得到一组负样本。当然，也可以按照48*64进行切割，只要保证负样本图片的尺寸大于等于正样本就可以。切割的步骤，可以参考这篇文章。
负样本的数量大约为2100个，网上推荐正样本和负样本的比例大致在1 : 2到1 : 3之间。
(3). 把正样本和负样本的路径，写到文件里
什么是“把正样本和负样本的路径写到文件里”呢？比如你正样本在C://your/path/1.jpg，就把C://your/path/1.jpg
写到一个文件中，专业名词叫做路径列表，这里可以写绝对路径，也可以写相对路径。方法有很多，我这里使用几行Python代码，实现了这个功能。当然你也可以用Java写，用C写，甚至自己写一个.bat脚本。
正样本的处理代码如下： 其中 0 0 32 32 表示红色圆形在图像中的范围，也就是正样本图像的大小。
path = 'train_img_set/ball/'
dir = os.listdir(path) # 自动排序
fopen = open('train_img_set/info.txt', 'w')
for d in dir:
string = 'ball/' + d + ' 1 0 0 32 32' +'\n'
fopen.write(string)
fopen.close()
负样本的处理代码如下：
path = 'train_img_set/non-ball/' # 替换为你的路径
dir = os.listdir(path) # dir是目录下的全部文件
fopen = open('train_img_set/bg.txt', 'w') # 替换为你的路径
for d in dir: # d是每一个文件的文件名
string = 'non-ball/' + d + '\n' #拼接字符串并换行
fopen.write(string) # 写入文件中
fopen.close()
正样本如下：
负样本如下：
(4). 生成正样本的描述文件
在cmd中 用一行命令搞定：
opencv_createsamples.exe -info info.txt -vec pos.vec -num 697 -w 32 -h 32
命令行参数如下：
-info 正样本说明文件
-vec 输出文件，内含用于训练的正样本。
-num 生成的正样本的数目。
-w 输出样本的宽度（以像素为单位）。
-h 输出样本的高度（以像素为单位）。
注：除了上述参数外，还可以配置其他参数，详细请见
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html
在命令行中运行这个命令后，可以得到一个叫 pos.vec 的文件。
注意，在运行前，需要用到opencv_createsamples.exe，这个文件可以从网上下载，也可以在OpenCV的安装目录下找到，我的是：D:\Program Files\OpenCV\OpenCV-249\opencv\build\x64\vc10\bin
Step2. 对样本进行训练
准备好样本后，对样本进行训练，使用一行命令：
opencv_haartraining.exe -data xml -vec pos.vec -bg bg.txt -nsplits 1 -npos 150 -nneg 450 -nonsym -w 32 -h 32 -mode all -mem 1280
命令行参数如下：
-data 目录名，用于存放训练好的分类器。
-vec 包含正样本的vec文件名（由 opencv_createsamples 程序生成）。
-bg 背景描述文件，也就是包含负样本文件名的那个描述文件。
-numPos 每级分类器训练时所用的正样本数目。
-numNeg 每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目。
-numStages 训练的分类器的级数。
-w 训练样本的宽（单位为像素）
-h 训练样本的高（单位为像素）
必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。
-mode all指定haar特征的种类，all表示使用垂直以及45度旋转特征
参数的详细说明请见：
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html
注意，在运行前，需要用到opencv_haartraining.exe，这个文件的找法与opencv_createsamples.exe类似（见上文）。
训练的过程如下所示：
我在训练的过程中，程序会死掉（无法结束），可能是由于正负样本负样本差距不大所致，还需要继续研究一下。
程序死掉也别急，在xml目录下能看到生成了0、1、2、3几个文件，这些文件是训练时，各层的中间文件。我们可以使用convert_cascade.exe生成最后的xml文件，convert_cascade.exe可以从网上下载。
命令如下：
convert_cascade --size=32x32 C://Users//lijialin//PycharmProjects//Hockey//train_img_set//xml C://Users//lijialin//PycharmProjects//Hockey//train_img_set//xml//haar_adaboost.xml
最后，在xml文件中，能看到一个haar_adaboost.xml文件，这个文件就是我们的通过训练得到分类器。
接下来测试这个分类器的效果。
Step3. 测试
测试程序如下：
cascade = cv2.CascadeClassifier('train_img_set/xml/haar_adaboost.xml')
img = cv2.imread('images/1111.png')
cv2.imshow('img', img)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
circles
= cascade.detectMultiScale(gray, 1.3, 5)
if faces is not None:
# x, y, w, h = circles[0]
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()测试结果如下，首先对一幅简单图片进行测试，可以看出，分类器准确地识别出了图像中的红色圆形：
然后对一幅稍微复杂的图片进行测试，可以看到，分类器仅仅识别出了部分红色圆形，准确率是很低的，大概 4 / 9 = 44.4%：
参考资料：
训练分类器：
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html
Hough识别圆形
图像切割
Python获取目录下的全部文件名，并写入文件中：
今天就到这里吧~
