以下內容是利用opencv自帶的訓練器opencv_traincascade.exe與opencv_createsamples.exe，來對口罩數據集進行訓練。內容是自己操作過程中的筆記，可能會有些雜亂，其他的可以查看一下參考資料。

文章目錄

• 0. 檢測器初體驗
• 1. 數據的準備
• 2. 創建正樣本vec文件
• 3. 訓練獲得xml文件
• 4. 利用訓練出來的cascade.xml來驗證

0. 檢測器初體驗

由于這里需要opencv自帶的xml文件，這里我用的是conda的虛擬環境，所以xml文件處于E:\anacanda\envs\pytorch\Lib\site-packages\cv2\data中，這里使用了一個關于人臉檢測的xml文件。

import cv2 #識別人臉的xml文件，構建人臉檢測器facexml_path = "E:/anacanda/envs/pytorch/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml" detector= cv2.CascadeClassifier(facexml_path) #獲取0號攝像頭的實例 cap = cv2.VideoCapture(0)while True:# 就是從攝像頭獲取到圖像，這個函數返回了兩個變量，第一個為布爾值表示成功與否，以及第二個是圖像。ret, img = cap.read()assert ret is True,"Cramae Capture Nothing"# 轉為灰度圖gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#獲取人臉坐標faces = detector.detectMultiScale(gray, 1.1, 3)for (x, y, w, h) in faces:#參數分別為 圖片、左上角坐標，右下角坐標，顏色，厚度cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)cv2.imshow('Test Detection', img)# 在10ms內等待按鍵，否則顯示下一幀，也就是10ms內按Esc退出循環if cv2.waitKey(10) == 27:breakcap.release() cv2.destroyAllWindows()

這里體驗了一下opencv自帶的xml來構建人臉檢測器，但是，檢測得過程不是特別的穩定。關于opencv自帶的檢測器其實還有關于其他方面的，如下所示，具體的可以自行體驗。

1. 數據的準備

---

• 正樣本：僅包含被檢測物體的樣本，并且距離邊界盡量要小，圖片尺寸大小一致，附件需要有路徑還需要添加重復吃屬于目標圖片的矩形框。
  eg：E:\學習\機器學習\數據集\mask2\positive\100000.jpg 1 0 0 20 20
  ps：這里1表示當前圖片重復出現的次數是1， 0 0 50 50表示目標圖片大小是矩形框從（0，0）到（50，50）
  

• 負樣本：不包含被檢測物體的樣本，圖片尺寸大小無要求，路徑存放沒有要求。
  eg：E:\學習\機器學習\數據集\mask2\negative\100000.jpg
  

這里口罩的數據集中的正樣本數為：352，負樣本數為：1053

• 正樣本名字處理腳本

這里對正樣本進行名字的添加處理我寫了一個腳本來實現，具體變現為：E:\學習\機器學習\數據集\mask2\positive\100000.jpg -> E:\學習\機器學習\數據集\mask2\positive\100000.jpg 1 0 0 20 20

import os# 讀取文件所有數據 rf = open(r"E:/學習/機器學習/數據集/mask2/positive/posdata.txt", "r") rdata = rf.readlines()# 改寫數據并保存 wdata = [] for data in rdata:oneline = data[:-1] + " 1 0 0 20 20\n"wdata.append(oneline)# 寫入數據 wf = open(r"E:/學習/機器學習/數據集/mask2/positive/posdata2.txt", "w") wf.writelines(wdata)# 關閉文件描述符 rf.close() wf.close()

• 保存圖片文件名處理腳本

把圖片文件名保存在一個文件中，構建成一個函數使用.
不過這個操作可以通過使用cmd打開對應的文件夾，輸入：dir /b/s/p/w *.jpg > your_filename.txt 來實現，簡潔版本是：dir /b *.jpg > your_filename.txt

import os # dir：圖片文件夾的路徑 # filename：保存文件名稱 def SaveImageName(dir, filename):imgnames = os.listdir(dir)imglists = []for imgname in imgnames:imgname = dir + '/' + imgname + '\n'imglists.append(imgname)wf = open(os.path.join(dir, filename), "w")wf.writelines(imglists)wf.close()# 測試函數 imgdir = "E:/學習/機器學習/數據集/mask2/negative" filename = "negative.txt" SaveImageName(imgdir, filename)

ps：dir /b *.jpg > your_filename.txt

輸入完了之后就會生成對應的file，里面存儲的是當前文件夾下全部后綴名為md的文件名。

2. 創建正樣本vec文件

---

opencv_createsamples.exe -vec pos.vec -info posdata.txt -num 352 -w 20 -h 20

成功獲得pos.vec文件

• info，指樣本說明文件
• vec，樣本描述文件的名字及路徑
• num，總共幾個樣本，要注意，這里的樣本數是指標定后的20x20的樣本數，而不是大圖的數目，其實就是樣本說明文件第2列的所有數字累加
• -w -h指明想讓樣本縮放到什么尺寸。

詳細參數見官方資料：https://docs.opencv.org/3.4.1/dc/d88/tutorial_traincascade.html

3. 訓練獲得xml文件

---

最后運行成功的代碼：

opencv_traincascade.exe -data xml -vec pos.vec -bg negdata.txt -numPos 100 -numNeg 300 -numStages 20 -w 20 -h 20 -mode ALL

參數列表如下所示：

• data <cascade_dir_name>：應存儲經過訓練的分類器的位置。此文件夾應事先手動創建。
• vec <vec_file_name>: 帶有正樣本的 vec 文件（由 opencv_createsamples 實用程序創建）。
• bg <background_file_name>: 背景描述文件。這是包含負樣本圖像的文件。
• numPos <number_of_positive_samples>：每個分類器階段訓練中使用的正樣本數。
• numNeg <number_of_negative_samples>：每個分類器階段訓練中使用的負樣本數。
• numStages <number_of_stages>：要訓練的級聯階段數。
• precalcValBufSize <precalculated_vals_buffer_size_in_Mb>：預先計算的特征值的緩沖區大小（以 Mb 為單位）。您分配的內存越多，訓練過程就越快，但請記住，兩者的-precalcValBufSize總和-precalcIdxBufSize不應超過您可用的系統內存。
• precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>：預先計算的特征索引的緩沖區大小（以 Mb 為單位）。您分配的內存越多，訓練過程就越快，但請記住，兩者的-precalcValBufSize總和-precalcIdxBufSize不應超過您可用的系統內存。
• baseFormatSave: 這個論點在 Haar-like 特征的情況下是真實的。如果指定，級聯將以舊格式保存。這只適用于向后兼容的原因，并允許用戶堅持使用舊的已棄用界面，至少可以使用較新的界面訓練模型。
• numThreads <max_number_of_threads>：訓練期間使用的最大線程數。請注意，實際使用的線程數可能會更少，具體取決于您的機器和編譯選項。默認情況下，如果您使用 TBB 支持構建 OpenCV，則會選擇最大可用線程，這是優化所必需的。
• acceptanceRatioBreakValue <break_value>：此參數用于確定您的模型應該保持學習的精確程度以及何時停止。一個好的指導原則是訓練不超過 10e-5，以確保模型不會過度訓練您的訓練數據。默認情況下，此值設置為 -1 以禁用此功能。

詳細參數見官方資料：https://docs.opencv.org/3.4.1/dc/d88/tutorial_traincascade.html

ps：這里需要小心調整numPos與numNeg的大小，這里指的每個分類器階段訓練中使用樣本數，設置得過大可能會引起錯誤。設置的numPos過大，由于訓練時pos count 會從你設置的numPos增大，每一級都按一定的次序增大，后來可能會超過樣本庫中正樣本的個數，就會報這個錯誤。

Error: Bad argument (Can not get new positive sample. The most
possible reason is insufficient count of samples in given vec-file.

根據參考資料3，這里設置調整的值一般滿足關系為：

• numneg （負樣本）數設置為總數的一半，或者其他值,
• numpos （正樣本）數設置為負樣本數的3分1

訓練完成后，得到最后的casce.xml文件

ps：這個xml的文件夾需要自己創建

整個bin的目錄文件如下所示：

在訓練過程中會出現了以下的問題：

1）Error: Bad argument (Can not get new positive sample. The most possible reason is insufficient count of samples in given vec-file

opencv_traincascade.exe -data xml -vec pos.vec -bg negdata.txt -numPos 500 -numNeg 656 -numStages 20 -w 20 -h 20 -mode ALL

出現問題：

Error: Bad argument (Can not get new positive sample. The most
possible reason is insufficient count of samples in given vec-file

opencv_traincascade.exe -data xml -vec pos.vec -bg negdata.txt -numPos 352 -numNeg 1053 -numStages 20 -w 20 -h 20 -mode ALL

出現問題：

Error: Bad argument (Can not get new positive sample. The most
possible reason is insufficient count of samples in given vec-file.

問題原因：設置的numPos過大，由于訓練時pos count 會從你設置的numPos增大，每一級都按一定的次序增大，后來可能會超過樣本庫中正樣本的個數，就會報這個錯誤。

2）Required leaf false alarm rate achieved. Branch training terminated.

這不是一個錯誤。鑒于所提供的樣本設置，級聯已達到其預期的潛力。需要添加更多的數據或者設置更苛刻條件。

4. 利用訓練出來的cascade.xml來驗證

---

下面是調用攝像頭，利用剛剛訓練出來的xml文件來構建口罩的檢測器來對每一幀圖像進行檢測

import cv2# 構建兩個檢測器 facexml_path = "E:/anacanda/envs/pytorch/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml" maskxml_path = "E:/project/Opencv_Project/dataset/bin/xml/cascade.xml" face_detector = cv2.CascadeClassifier(facexml_path) mask_detector = cv2.CascadeClassifier(maskxml_path)# 獲取攝像頭的實例 cap = cv2.VideoCapture(0)# 不斷對每一幀進行處理 while True:# 返回的第一個參數是成功與否，第二個參數的一幀圖像ret, img = cap.read() assert ret is True,"Capture Noting" # 如果ret為空則報錯# 轉換為灰度圖gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)#獲取人臉坐標faces = face_detector.detectMultiScale(gray, 1.1, 3)# 依次遍歷人臉對象for (x, y, w, h) in faces:#參數分別為 圖片、左上角坐標，右下角坐標，顏色，厚度cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)face=img[y:y+h,x:x+w] # 裁剪坐標為[y0:y1, x0:x1]mask_face=mask_detector.detectMultiScale(face, 1.1, 5)for (x2,y2,w2,h2) in mask_face:cv2.rectangle(img, (x2, y2), (x2 + w2, y2 + h2), (0, 0, 255), 2)cv2.imshow('Mask Detection', img)# 在10ms內等待按鍵，否則顯示下一幀，也就是10ms內按Esc退出循環if cv2.waitKey(10) == 27:break# 釋放緩存，清理窗口 cap.release() cv2.destroyAllWindows()

實驗結果：

這里我該了兩次參數訓練了兩個cascade.xml文件，但是效果好像都不好；另外我私下問了參考資料[3]的博主，拿了其提供的cascade.xml文件（這里表示感謝！！有需要的可以關注他的公眾號：矩陣科學），好像效果還是不太好，甚至沒有檢測出口罩，一方面可能是我電腦攝像頭不好，另一方面可能使用opencv提供的工具訓練不是很穩定。

有機會下次使用深度學習的方法來做一些口罩檢測的項目。

參考資料：

一些訓練過程中可能出現的錯誤：https://www.cnblogs.com/hyacinthwyd/p/8885003.html

使用opencv的級聯分類器訓練樣本獲得xml數據的方法：https://blog.csdn.net/qq_43475606/article/details/110054791

基于Opencv的口罩佩戴識別系統：https://blog.csdn.net/cj151525/article/details/104984897

總結

以上是生活随笔為你收集整理的基于OpenCV训练口罩检测数据集并测试的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。