基于視頻的異常行為檢測

OpenCV訓練分類器
一、簡介
    目標檢測方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]對這一方法進行了改善。該方法的基本步驟為： 首先，利用樣本（大約幾百幅樣本圖片）的 harr 特征進行分類器訓練，得到一個級聯(lián)的boosted分類器。
    分類器中的"級聯(lián)"是指最終的分類器是由幾個簡單分類器級聯(lián)組成。在圖像檢測中，被檢窗口依次通過每一級分類器， 這樣在前面幾層的檢測中大部分的候選區(qū)域就被排除了，全部通過每一級分類器檢測的區(qū)域即為目標區(qū)域。
    分類器訓練完以后，就可以應用于輸入圖像中的感興趣區(qū)域(與訓練樣本相同的尺寸)的檢測。檢測到目標區(qū)域(汽車或人臉)分類器輸出為1，否則輸出為0。為了檢測整副圖像，可以在圖像中移動搜索窗口，檢測每一個位置來確定可能的目標。為了搜索不同大小的目標物體，分類器被設(shè)計為可以進行尺寸改變，這樣比改變待檢圖像的尺寸大小更為有效。所以，為了在圖像中檢測未知大小的目標物體，掃描程序通常需要用不同比例大小的搜索窗口對圖片進行幾次掃描。
    目前支持這種分類器的boosting技術(shù)有四種： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。
"boosted" 即指級聯(lián)分類器的每一層都可以從中選取一個boosting算法(權(quán)重投票)，并利用基礎(chǔ)分類器的自我訓練得到。
    根據(jù)上面的分析，目標檢測分為三個步驟：
      1、 樣本的創(chuàng)建
      2、 訓練分類器
      3、 利用訓練好的分類器進行目標檢測。
二、樣本創(chuàng)建
    訓練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標樣本(例如人臉或汽車等)，反例樣本指其它任意圖片，所有的樣本圖片都被歸一化為同樣的尺寸大小(例如，20x20)。
    負樣本
       負樣本可以來自于任意的圖片，但這些圖片不能包含目標特征。負樣本由背景描述文件來描述。背景描述文件是一個文本文件，每一行包含了一個負樣本圖片的文件名（基于描述文件的相對路徑）。該文件必須手工創(chuàng)建。
      e.g: 負樣本描述文件的一個例子：
      假定目錄結(jié)構(gòu)如下：
      /img
        img1.jpg
        img2.jpg
        bg.txt
      則背景描述文件bg.txt的內(nèi)容為：
         img/img1.jpg
         img/img2.jpg
    正樣本
       正樣本由程序craatesample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。
     －bgcolor<background_color>
          背景色（假定當前圖片為灰度圖）。背景色制定了透明色。對于壓縮圖片，顏色方差量由bgthresh參數(shù)來指定。則在bgcolor－bgthresh和bgcolor＋bgthresh中間的像素被認為是透明的。
     －bgthresh<background_color_threshold>
     －inv
          如果指定，顏色會反色
     －randinv
          如果指定，顏色會任意反色
     －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(huán)《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5個正樣本圖片文件img1.bmp,…img5.bmp；有2個背景圖片文件：bg1.bmp,bg2.bmp，文件目錄結(jié)構(gòu)如下：
positive
    img1.bmp
    ……
    Img5.bmp
negative
    bg1.bmp
    bg2.bmp
info.dat
bg.txt
  正樣本描述文件info.dat的內(nèi)容如下：
     Positive/imag1.bmp 1 0 0 24 28
     ……
     Positive/imag5.bmp 1 0 0 24 28
       圖片img1.bmp包含了單個目標對象實體，矩形為（0,0,24,28）。
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。
背景（負樣本）描述文件的內(nèi)容如下：
   nagative/bg1.bmp
   nagative/bg2.bmp
我們用一個批處理文件run.bat來進行正樣本的創(chuàng)建：該文件的內(nèi)容如下：
cd    e:\face\bin
CreateSamples     -vec e:\face\a.vec
-info e:\face\info.dat
-bg e:\face\bg.txt
-num 5
-show
-w 24
-h 28
其中e:\face\bin目錄包含了createsamples可執(zhí)行程序，生成的正樣本文件a.vec在e:\face目錄下。
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。總的命中率為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。總的錯誤警告率為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(huán)《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：
    同上例，分類器訓練的過程用一個批處理文件run2.bat來完成：
cd e:\face\bin
haartraining -data e:\face\data
-vec e:\face\a.vec
-bg e:\face\bg.txt
-npos 5
-nneg 2
-w 24
-h 28
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。
注：OpenCv 的某些版本可以將這些目錄中的分類器直接轉(zhuǎn)換成xml文件。但在實際的操作中，haartraining程序卻好像永遠不會停止，而且沒有生成xml文件，后來在OpenCV的yahoo論壇上找到一個haarconv的程序，才將分類器轉(zhuǎn)換為xml文件，其中的原因尚待研究。