训练一个管道识别模型
- 1 分钟前一. 准备数据集
- 使用 iMovie 将真实场景下CCTV录制的地下水管道视频剪辑，使用
videos_to_image脚本将视频批量转化为图像； - 准备正副样本集；
- Positive Sets：想让分类器检测出来的管道特征；
- Negative Sets：与任务相关但不想被检测出来的东西，可以将图片中的其他信息裁剪为 64*64 的多个小图片。参考博客
- 使用 OpenCV 提供的工具生成正服数据的 xml 文件。参考博客
⚠️注意： OpenCV 需要切换到 3.4 版本，opencv4 编译 opencv_traincascade 会出现 Error。OpenCV4 更推荐用 RCNN 或其他神经网络来进行目标识别任务。
➜ bin git:(3.4) pwd
/Users/inger/opencv/opencv/build/bin
➜ bin git:(3.4)./opencv_createsamples -vec positive.vec -info ~/underground/datasets/positive.txt 18 -w 64 -h 64
➜ bin git:(3.4) cd ~/underground/datasets
➜ datasets ls
cascades deform-collapse negative.txt obstacle pipe positive.vec
corrosion-damage labelme non-pipe opencv_traincascade positive.txt
➜ datasets ./opencv_traincascade -data cascades -vec positive.vec -bg ~/underground/datasets/negative.txt -numPos 18 -numNeg 89 -numStages 5 -w 64 -h 64 -minHitRate 0.9999 -maxFalseAlarmRate 0.5 -mem 2048 -mode ALL
PARAMETERS:
cascadeDirName: cascades
vecFileName: positive.vec
bgFileName: /Users/inger/underground/datasets/negative.txt
numPos: 18
numNeg: 89
numStages: 5
precalcValBufSize[Mb] : 1024
precalcIdxBufSize[Mb] : 1024
acceptanceRatioBreakValue : -1
stageType: BOOST
featureType: HAAR
sampleWidth: 64
sampleHeight: 64
boostType: GAB
minHitRate: 0.9999
maxFalseAlarmRate: 0.5
weightTrimRate: 0.95
maxDepth: 1
maxWeakCount: 100
mode: ALL
Number of unique features given windowSize [64,64] : 13481422
| 参数 | 数值 | 说明 |
|---|---|---|
| -data | cascades | 训练后生成xml的文件夹 |
| -vec | positive.vec | 正向数据 |
| -bg | negative.txt | 负向数据 |
| -numPos | 18 | 正向样本数 |
| -numNeg | 89 | 负向样本数 |
| -numStages | 5 | 训练迭代数 |
| -w | 64 | 图像宽 |
| -h | 64 | 图像高 |
| -minHitRate | 0.9999 | 期望最小检测率 |
| -maxFalseAlarmRate | 0.5 | 期望最大误检率 |
| -mem | 2048 | 使用的计算内存数（M） |
| -mode | ALL | 选择用来训练的haar特征集的种类 |
