在上次教程Python-OpenCV —— Machine Learning講述了如何建立模型，進(jìn)行訓(xùn)練，然后利用模型對(duì)新獲得的照片進(jìn)行預(yù)測(cè)并給出預(yù)測(cè)值，本期教程針對(duì)某個(gè)特定的物體進(jìn)行檢測(cè)，將其標(biāo)記出來，分為3個(gè)步驟，第一：訓(xùn)練特定物體，第二：

訓(xùn)練模型

級(jí)聯(lián)分類器

前幾天看到一個(gè)笑話，很有意思，說的是

理論就是你什么都知道但是什么都干不了

實(shí)踐就是你什么都能干但是不知道為什么

我就不一樣了，我可以理論與實(shí)踐相結(jié)合——什么都干不了而且不知道為什么

開個(gè)玩笑，目前有很大一部分的東西都是人們實(shí)踐得來的經(jīng)驗(yàn)，有些東西也許很好用，但未必是好理論，比如現(xiàn)在的深度學(xué)習(xí)，扯遠(yuǎn)了，繼續(xù)今天的話題，到底什么是級(jí)聯(lián)分類器，其實(shí)就是把分類器按照一定的順序聯(lián)合到一起。一個(gè)分類器也許不好用，沒關(guān)系，我給你多加幾個(gè)，俗話說得好，三個(gè)臭皮匠，頂個(gè)諸葛亮呢。

具體來說，OpenCV實(shí)現(xiàn)的Cascade(級(jí)聯(lián))分類器就是基于多個(gè)弱分類器對(duì)不同的特征進(jìn)行依次處理(分類)來完成對(duì)目標(biāo)的檢測(cè)，簡(jiǎn)單的說有多個(gè)弱分類器串起來，然后提取每個(gè)平滑窗上的不同特征，把這些特征依次放進(jìn)不同的弱分類器里判斷，如果所有的弱分類器都判斷正標(biāo)簽，則表示該該平滑窗內(nèi)檢測(cè)到目標(biāo)。這樣做的好處是不但通過多個(gè)弱分類器來形成一個(gè)強(qiáng)的級(jí)聯(lián)分類器，而且可以減少運(yùn)算量，比如當(dāng)一個(gè)平滑窗第一個(gè)特征沒有通過第一個(gè)分類器，那么就沒有必要繼續(xù)運(yùn)算下去，直接拒絕掉當(dāng)前平滑窗，轉(zhuǎn)而處理下一個(gè)平滑窗，事實(shí)上作者的目的就是為了快速拋棄沒有目標(biāo)的平滑窗，從而達(dá)到快速檢測(cè)目標(biāo)。

本次用到了OpenCV的兩個(gè)程序，分別是opencv_createsamples.exe和opencv_traincascade.exe，分別用來創(chuàng)建樣本文件和訓(xùn)練級(jí)聯(lián)分類器。

準(zhǔn)備訓(xùn)練數(shù)據(jù)

正樣本

正樣本就是你要檢測(cè)的東西，比如說香蕉、車牌、酒瓶、紅綠燈等等，你可以找相關(guān)的數(shù)據(jù)集，或者自己手動(dòng)截圖，只取你想要識(shí)別的那部分，下面我給了一個(gè)小程序用來將你截取的圖片都變成統(tǒng)一大小。

#改變圖片尺寸為統(tǒng)一大小,在當(dāng)前目錄創(chuàng)建一個(gè)名為pos的文件夾

#把需要統(tǒng)一尺寸的正樣本放到里面，寫上尺寸，運(yùn)行程序就可以了，一般來說建議長(zhǎng)寬在100像素一下，不然訓(xùn)練會(huì)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('暫停一下')

修改完圖片尺寸之后，需要生成圖片的路徑，我也寫了一個(gè)代碼，運(yùn)行后，會(huì)在當(dāng)前目錄生成一個(gè)如圖所示的文件

pos.txt

每一行分別代表文件路徑 1代表里面有幾個(gè)目標(biāo)，咱們用的截取好的，所以只有一個(gè)，然后 0 0 60 120 分別代表著圖片的起始像素和終止像素的長(zhǎng)寬

#會(huì)在當(dāng)前目錄生成一個(gè)如圖所示的文件，記得修改 w h 為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('暫停一下')

接下來就要用opencv_createsamples.exe生成正樣本文件了，寫了一個(gè)批處理文件，新建crate_samples.bat，打開編輯

"在此處寫上你的opencv_createsamples.exe路徑" -info "pos.txt" -vec pos.vec -num 200 -w 60 -h 120

一些參數(shù)解釋：

info 輸入正樣本描述文件

img 輸入圖像文件名，默認(rèn)NULL

bg 負(fù)樣本描述文件，文件中包含一系列的被隨機(jī)選作物體背景的圖像文件名，默認(rèn)NULL

num 生成正樣本的數(shù)目，默認(rèn)1000

bgcolor 背景顏色，表示透明顏色，默認(rèn)0

bgthresh 顏色容差，所有處于bgcolor- bgthresh和bgcolor+bgthresh之間的像素被置為透明像素，也就是將白噪聲加到前景圖像上，默認(rèn)80

inv 前景圖像顏色翻轉(zhuǎn)標(biāo)志，如果指定顏色翻轉(zhuǎn)，默認(rèn)0(不翻轉(zhuǎn))

randinv 如果指定顏色將隨機(jī)翻轉(zhuǎn)，默認(rèn)0

maxidev 前景圖像中像素的亮度梯度最大值，默認(rèn)40

maxxangle X軸最大旋轉(zhuǎn)角度，以弧度為單位，默認(rèn)1.1

maxyangle Y軸最大旋轉(zhuǎn)角度，以弧度為單位，默認(rèn)1.1

maxzangle Z軸最大旋轉(zhuǎn)角度，以弧度為單位，默認(rèn)0.5

輸入圖像沿著三個(gè)軸進(jìn)行旋轉(zhuǎn)，旋轉(zhuǎn)角度由上述3個(gè)值限定。

show 如果指定，每個(gè)樣本都將被顯示，按下Esc鍵，程序?qū)⒗^續(xù)創(chuàng)建樣本而不在顯示，默認(rèn)為0(不顯示)

scale 顯示圖像的縮放比例，默認(rèn)4.0

w 輸出樣本寬度，默認(rèn)24

h 輸出樣本高度，默認(rèn)24

vec 輸出用于訓(xùn)練的.vec文件

負(fù)樣本

負(fù)樣本只需要生成路徑文件，不需要生成vec文件，具體步驟跟上面類似，要注意的是負(fù)樣本要盡可能比正樣本多，大概十倍的樣子吧。

開始訓(xùn)練

新建一個(gè)文件夾TrainCascadeClassification，一會(huì)訓(xùn)練好的文件就在這里

新建一個(gè)train.bat，編輯

"你的opencv_traincascade.exe目錄" -data "你的TrainCascadeClassification目錄" -vec pos.vec -bg neg.txt -numPos 160 -numNeg 500 -numStages 15 -precalcValBufSize 3000 -precalcIdxBufSize 3000 -featureType LBP -w 60 -h 120

Pause

一些參數(shù)解釋

data 訓(xùn)練的分類器的存儲(chǔ)目錄

vec 正樣本文件，由open_createsamples.exe生成，正樣本文件后綴名為.vec

bg 負(fù)樣本說明文件，主要包含負(fù)樣本文件所在的目錄及負(fù)樣本文件名

numPos 每級(jí)分類器訓(xùn)練時(shí)所用到的正樣本數(shù)目，應(yīng)小于vec文件中正樣本的數(shù)目，具體數(shù)目限制條件為：numPos+(numStages- 1)numPos(1- minHitRate)<=vec文件中正樣本的數(shù)目。根據(jù)我的經(jīng)驗(yàn)，一般為正樣本文件的80%

numNeg 每級(jí)分類器訓(xùn)練時(shí)所用到的負(fù)樣本數(shù)目，可以大于- bg指定的圖片數(shù)目。根據(jù)我的經(jīng)驗(yàn)，一般為numPos的2-3倍

numStages 訓(xùn)練分類器的級(jí)數(shù)，強(qiáng)分類器的個(gè)數(shù)。根據(jù)我的經(jīng)驗(yàn)，一般為12-20

precalcValBufSize 緩存大小，用于存儲(chǔ)預(yù)先計(jì)算的特征值，單位MB，根據(jù)自己內(nèi)存大小分配

precalcIdxBufSize 緩存大小，用于存儲(chǔ)預(yù)先計(jì)算的特征索引，單位MB，根據(jù)自己內(nèi)存大小分配

featureType 訓(xùn)練使用的特征類型，目前支持的特征有Haar，LBP和HOG

w 訓(xùn)練的正樣本的寬度

h 訓(xùn)練的正樣本的高

進(jìn)階參數(shù)

minHitRate 影響每個(gè)強(qiáng)分類器閾值，每一級(jí)分類器最小命中率，表示每一級(jí)強(qiáng)分類器對(duì)正樣本的的分類準(zhǔn)確率

maxFalseAlarm 最大虛警率，影響弱分類器的閾值，表示每個(gè)弱分類器將負(fù)樣本誤分為正樣本的比例，一般默認(rèn)值為0.5

weightTrimRate 0- 1之間的閾值，影響參與訓(xùn)練的樣本，樣本權(quán)重更新排序后(從小到大)，從前面累計(jì)權(quán)重小于(1- weightTrimRate)的樣本將不參與下一次訓(xùn)練，一般默認(rèn)值為0.95

maxDepth 每一個(gè)弱分類器決策樹的深度，默認(rèn)是1，是二叉樹(stumps)，只使用一個(gè)特征。

maxWeakCount 每級(jí)強(qiáng)分類器中弱分類器的最大個(gè)數(shù)，當(dāng)FA降不到指定的maxFalseAlarm時(shí)可以通過指定最大弱分類器個(gè)數(shù)停止單個(gè)強(qiáng)分類器

這個(gè)時(shí)候先看一下我們的工作目錄下都有那些東西，沒有的話，記得補(bǔ)全它。

工作目錄

然后打開train.bat,等著就可以了，訓(xùn)練結(jié)束后，會(huì)得到自己的xml文件，就可以調(diào)用了。

總結(jié)

以上是生活随笔為你收集整理的python 作物识别_Python-OpenCV —— 物体识别（TrainCascadeClassification）的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。