在上次教程Python-OpenCV —— Machine Learning讲述了如何建立模型，进行训练，然后利用模型对新获得的照片进行预测并给出预测值，本期教程针对某个特定的物体进行检测，将其标记出来，分为3个步骤，第一：训练特定物体，第二：
训练模型
级联分类器
前几天看到一个笑话，很有意思，说的是
- 理论就是你什么都知道但是什么都干不了
- 实践就是你什么都能干但是不知道为什么
- 我就不一样了，我可以理论与实践相结合——什么都干不了而且不知道为什么
开个玩笑，目前有很大一部分的东西都是人们实践得来的经验，有些东西也许很好用，但未必是好理论，比如现在的深度学习，扯远了，继续今天的话题，到底什么是级联分类器，其实就是把分类器按照一定的顺序联合到一起。一个分类器也许不好用，没关系，我给你多加几个，俗话说得好，三个臭皮匠，顶个诸葛亮呢。
具体来说，OpenCV实现的Cascade（级联）分类器就是基于多个弱分类器对不同的特征进行依次处理（分类）来完成对目标的检测，简单的说有多个弱分类器串起来，然后提取每个平滑窗上的不同特征，把这些特征依次放进不同的弱分类器里判断，如果所有的弱分类器都判断正标签，则表示该该平滑窗内检测到目标。这样做的好处是不但通过多个弱分类器来形成一个强的级联分类器，而且可以减少运算量，比如当一个平滑窗第一个特征没有通过第一个分类器，那么就没有必要继续运算下去，直接拒绝掉当前平滑窗，转而处理下一个平滑窗，事实上作者的目的就是为了快速抛弃没有目标的平滑窗，从而达到快速检测目标。
本次用到了OpenCV的两个程序，分别是opencv_createsamples.exe和opencv_traincascade.exe，分别用来创建样本文件和训练级联分类器。
准备训练数据
正样本
正样本就是你要检测的东西，比如说香蕉、车牌、酒瓶、红绿灯等等，你可以找相关的数据集，或者自己手动截图，只取你想要识别的那部分，下面我给了一个小程序用来将你截取的图片都变成统一大小。
#改变图片尺寸为统一大小,在当前目录创建一个名为pos的文件夹
#把需要统一尺寸的正样本放到里面，写上尺寸，运行程序就可以了，一般来说建议长宽在100像素一下，不然训练会很慢
import cv2
import os
w = **
h = **
def getimage(file_dir):
images = {}
for root, dirs, files in os.walk(file_dir):
for name in files:
images[name] = os.path.join(root,name)
return images
if __name__ == '__main__':
n=-1
aa = os.getcwd()
dirpath = os.path.join(aa, 'pos')
imagedic = getimage(dirpath)
try :
for key,value in imagedic.items():
img = cv2.imread(value)
img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img2 = cv2.resize(img1,(w,h))
cv2.imwrite('pos'+str(n+1).rjust(3,'0')+'.jpg',img2)
n+=1
except KeyboardInterrupt:
print('暂停一下')
修改完图片尺寸之后，需要生成图片的路径，我也写了一个代码，运行后，会在当前目录生成一个如图所示的文件
每一行分别代表文件路径 1代表里面有几个目标，咱们用的截取好的，所以只有一个，然后 0 0 60 120 分别代表着图片的起始像素和终止像素的长宽
#会在当前目录生成一个如图所示的文件，记得修改 w h 为上面修改后的尺寸值
import os
def getimage(file_dir):
images = {}
for root, dirs, files in os.walk(file_dir):
for name in files:
images[name] = os.path.join(root,name)
return images
if __name__ == '__main__':
n=0
aa = os.getcwd()
dirpath = os.path.join(aa, 'pos')
imagedic = getimage(dirpath)
#print (imagedic)
try :
for key,value in imagedic.items():
with open ('pos.txt','a') as f:
f.write('pos/'+str(key).rjust(3,'0')+' 1 0 0 w h''\n')
except KeyboardInterrupt:
print('暂停一下')
接下来就要用opencv_createsamples.exe生成正样本文件了，写了一个批处理文件，新建crate_samples.bat，打开编辑
"在此处写上你的opencv_createsamples.exe路径" -info "pos.txt" -vec pos.vec -num 200 -w 60 -h 120
一些参数解释：
info 输入正样本描述文件
img 输入图像文件名，默认NULL
bg 负样本描述文件，文件中包含一系列的被随机选作物体背景的图像文件名，默认NULL
num 生成正样本的数目，默认1000
bgcolor 背景颜色，表示透明颜色，默认0
bgthresh 颜色容差，所有处于bgcolor- bgthresh和bgcolor+bgthresh之间的像素被置为透明像素，也就是将白噪声加到前景图像上，默认80
inv 前景图像颜色翻转标志，如果指定颜色翻转，默认0(不翻转)
randinv 如果指定颜色将随机翻转，默认0
maxidev 前景图像中像素的亮度梯度最大值，默认40
maxxangle X轴最大旋转角度，以弧度为单位，默认1.1
maxyangle Y轴最大旋转角度，以弧度为单位，默认1.1
maxzangle Z轴最大旋转角度，以弧度为单位，默认0.5
输入图像沿着三个轴进行旋转，旋转角度由上述3个值限定。
show 如果指定，每个样本都将被显示，按下Esc键，程序将继续创建样本而不在显示，默认为0(不显示)
scale 显示图像的缩放比例，默认4.0
w 输出样本宽度，默认24
h 输出样本高度，默认24
vec 输出用于训练的.vec文件
负样本
负样本只需要生成路径文件，不需要生成vec文件，具体步骤跟上面类似，要注意的是负样本要尽可能比正样本多，大概十倍的样子吧。
开始训练
新建一个文件夹TrainCascadeClassification，一会训练好的文件就在这里
新建一个train.bat，编辑
"你的opencv_traincascade.exe目录" -data "你的TrainCascadeClassification目录" -vec pos.vec -bg neg.txt -numPos 160 -numNeg 500 -numStages 15 -precalcValBufSize 3000 -precalcIdxBufSize 3000 -featureType LBP -w 60 -h 120
Pause
一些参数解释
- data 训练的分类器的存储目录
- vec 正样本文件，由open_createsamples.exe生成，正样本文件后缀名为.vec
- bg 负样本说明文件，主要包含负样本文件所在的目录及负样本文件名
- numPos 每级分类器训练时所用到的正样本数目，应小于vec文件中正样本的数目，具体数目限制条件为：numPos+（numStages- 1）numPos（1- minHitRate）<=vec文件中正样本的数目。根据我的经验，一般为正样本文件的80%
- numNeg 每级分类器训练时所用到的负样本数目，可以大于- bg指定的图片数目。根据我的经验，一般为numPos的2-3倍
- numStages 训练分类器的级数，强分类器的个数。根据我的经验，一般为12-20
- precalcValBufSize 缓存大小，用于存储预先计算的特征值，单位MB，根据自己内存大小分配
- precalcIdxBufSize 缓存大小，用于存储预先计算的特征索引，单位MB，根据自己内存大小分配
- featureType 训练使用的特征类型，目前支持的特征有Haar，LBP和HOG
- w 训练的正样本的宽度
- h 训练的正样本的高
进阶参数
- minHitRate 影响每个强分类器阈值，每一级分类器最小命中率，表示每一级强分类器对正样本的的分类准确率
- maxFalseAlarm 最大虚警率，影响弱分类器的阈值，表示每个弱分类器将负样本误分为正样本的比例，一般默认值为0.5
- weightTrimRate 0- 1之间的阈值，影响参与训练的样本，样本权重更新排序后(从小到大)，从前面累计权重小于(1- weightTrimRate)的样本将不参与下一次训练，一般默认值为0.95
- maxDepth 每一个弱分类器决策树的深度，默认是1，是二叉树（stumps），只使用一个特征。
- maxWeakCount 每级强分类器中弱分类器的最大个数，当FA降不到指定的maxFalseAlarm时可以通过指定最大弱分类器个数停止单个强分类器
这个时候先看一下我们的工作目录下都有那些东西，没有的话，记得补全它。
然后打开train.bat,等着就可以了，训练结束后，会得到自己的xml文件，就可以调用了。
