目錄

一、準(zhǔn)備階段

?二、圖片處理

?三、生成描述文件

?四、生成.vec文件

? 五、生成.xml自定義分類器文件

?六、識別檢測

一、準(zhǔn)備階段

正樣本集：正樣本集為包含“識別物體”的灰度圖，一般大于等于2000張，尺寸不能太大，尺寸太大會導(dǎo)致訓(xùn)練時間過長。

負(fù)樣本集：負(fù)樣本集為不含“識別物體”的任何圖片，一般大于等于5000張，尺寸比正樣本集稍大。一般為正樣品集的3倍。

在當(dāng)前文件夾下新建五個文件夾，pos和neg放處理后的圖片，ini_pos和ini_neg放原來的圖像，xml放以后自定義生成的分類器

將下載的正負(fù)樣本集分別放入ini_pos和ini_neg文件夾。

我百度圖片上下載了船的圖片到ini_pos,魚的圖片到ini_neg

注意：好的正訓(xùn)練集最好還是圖片中只有你需要的物體，而沒有其他物體和背景干擾，百度圖片里面有動圖gif格式圖片，不能通過opencv讀取，下載完后看好圖片后綴。

下面是初始的倆個樣品集

?二、圖片處理

樣品集需要統(tǒng)一大小和統(tǒng)一改為灰度圖

代碼：

import cv2 as cv
import matplotlib.pyplot as plt
import os
#解決中文顯示問題,固定格式，直接復(fù)制下面?zhèn)z行代碼就行
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False


pospath = "./ini_pos"#正樣本集文件夾路徑
pos = os.listdir(pospath)#讀取路徑下的所有文件
negpath = "./ini_neg"
neg = os.listdir(negpath)

#圖片處理，注意圖片不能有g(shù)if格式
def picdif():
    global pos,neg;
    i=1;
    for picname in pos:#遍歷pos文件數(shù)組所有的文件名
        #讀取灰度圖
        pic=cv.imread(pospath+"\\"+picname)
        pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY)
        #修改尺寸
        pic=cv.resize(pic,(40,40))
        #保存圖片
        cv.imwrite("./pos/"+str("%03d"%i)+".jpg",pic)
        i+=1

    #同理對負(fù)樣本集進(jìn)行處理
    j = 1;
    for picname in neg: # 遍歷neg文件數(shù)組所有的文件名
        #讀取灰度圖
        pic=cv.imread(negpath+"\\"+picname)
        pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY)
        #修改尺寸
        pic=cv.resize(pic,(50,50))
        #重命名，并保存圖片
        cv.imwrite("./neg/"+str("%03d"%j)+".jpg",pic)
        j+=1


if __name__ == '__main__':
# 1.導(dǎo)入文件夾，對圖像統(tǒng)一處理,統(tǒng)一尺寸大小，統(tǒng)一灰度圖
    picdif()

處理后的正負(fù)樣本集和圖片：

三、生成描述文件

正樣本描述文件如下：

其中"1"為圖片數(shù)量（0,0）坐標(biāo)，（40,40）是正樣本集的長寬

負(fù)樣本描述文件如下：

代碼更新：

a_main.py

import cv2 as cv
import os
#解決中文顯示問題,固定格式，直接復(fù)制下面?zhèn)z行代碼就行
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False


pospath = "./ini_pos"#正樣本集文件夾路徑
pos = os.listdir(pospath)#讀取路徑下的所有文件
negpath = "./ini_neg"
neg = os.listdir(negpath)

#圖片處理，注意圖片不能有g(shù)if格式
def picdif():
    global pos,neg;
    i=1;
    for picname in pos:#遍歷pos文件數(shù)組所有的文件名
        #讀取灰度圖
        pic=cv.imread(pospath+"\\"+picname)
        pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY)
        #修改尺寸
        pic=cv.resize(pic,(40,40))
        #保存圖片
        cv.imwrite("./pos/"+str("%03d"%i)+".jpg",pic)
        i+=1

    #同理對負(fù)樣本集進(jìn)行處理
    j = 1;
    for picname in neg: # 遍歷neg文件數(shù)組所有的文件名
        #讀取灰度圖
        pic=cv.imread(negpath+"\\"+picname)
        pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY)
        #修改尺寸
        pic=cv.resize(pic,(50,50))
        #重命名，并保存圖片
        cv.imwrite("./neg/"+str("%03d"%j)+".jpg",pic)
        j+=1

# 描述文件生成
def createtxt():
    global pos, neg
    #正樣本描述文件：
    for picname in pos:
        line ="pos/"+picname+" 1 0 0 40 40"+"\n"#"1"為圖片數(shù)量（0，0）是坐標(biāo),(40,40)是正樣本集的w，h
        with open('pos.txt', 'a') as f:
            f.write(line)
    #負(fù)樣本描述文件：
    for picname in neg:
        line ="neg/"+picname+"\n"#（0，0）是坐標(biāo),(40,40)是正樣本集的w，h
        with open('neg.txt', 'a') as f:
            f.write(line)
if __name__ == '__main__':
# 1.導(dǎo)入文件夾，對圖像統(tǒng)一處理,統(tǒng)一尺寸大小，統(tǒng)一灰度圖
    picdif()
    #pos和neg改成處理后的圖片文件夾;
    pospath = "./pos"#正樣本集文件夾路徑
    pos = os.listdir(pospath)#讀取路徑下的所有文件
    negpath = "./neg"
    neg = os.listdir(negpath)
#2.正負(fù)樣本描述文件的生成
    createtxt()

?四、生成.vec文件

獲取opencv_createsamples.exe和opencv_traincascade.exe

這兩個軟件在opencv安裝包里是沒有的，只有下載opencv以及opencv_contrib源碼自己編譯才會生成這兩個可執(zhí)行程序

我是直接下載別人的程序，下面是網(wǎng)址

opencv341_bin: 編譯opencv以及opencv_contrib以后的bin文件夾，里面包含一些可執(zhí)行程序https://gitee.com/lizaozao/opencv341_bin注意下載依賴項解壓到opencv_createsamples.exe和opencv_traincascade.exe同一目錄下

在該主目錄文件下打開終端窗口，win11可直接通過右鍵“在終端打開”

輸入

 .\opencv_createsamples.exe -info pos.txt -vec detect_number.vec -bg neg.txt -num 19 -w 40 -h 40

-info 正樣本txt

-vec 是你生成vec文件的位置和名稱

-bg 負(fù)樣本txt

-num 正樣本數(shù)量

-w 正樣本寬度

-h 正樣本高度

? 五、生成.xml自定義分類器文件

當(dāng)前主目錄文件夾終端下輸入

./opencv_traincascade.exe -data xml -vec detect_number.vec -bg neg.txt -numPos 19 -numNeg 25 -numStages 20 -featureType HAAR -w 40 -h 40

-data 前面創(chuàng)建好的xml文件夾
-vec 是你之前生成vec文件
-bg 負(fù)樣本集txt
-numPos 正樣本的數(shù)量
-numNeg 負(fù)樣本的數(shù)量
-numStages 訓(xùn)練步數(shù)
-featureType 特征類型?

訓(xùn)練時，提取圖像特征的類型，目前只支持LBP、HOG、Haar三種特征。但是HAAR訓(xùn)練非常非常的慢，而LBP則相對快很多，因為HAAR需要浮點運算，精度自然比LBP更高
-w -h 正樣本的寬高

結(jié)果：

由于樣本較少，訓(xùn)練十秒就完成了

?六、識別檢測

上一節(jié)課已經(jīng)說了，直接上代碼

[圖像識別]12.Opencv案例 超簡單人臉檢測識別_ζ?? ??霧 ??狼 ???的博客-CSDN博客1.原理：我們使用機(jī)器學(xué)習(xí)的方法完成人臉檢測，首先需要大量的正樣本圖像(面部圖像)和負(fù)樣本圖像(不含面部的圖像)來訓(xùn)練分類器。我們需要從其中提取特征。Haar特征（這個值等于黑色矩形中的像素值之后減去白色矩形中的像素值和。）會被使用，就像我們的卷積核,每一個特征是一個值。Haar特征值反映了圖像的灰度變化情況。Haar特征可用于于圖像任意位置，大小也可以任意改變，所以矩形特征值是矩形模版類別、矩形位置和矩形大小這三個因素的函數(shù)。故類別、大小和位置的變化，使得很小的檢測窗口含有非常多的矩形特征。https://blog.csdn.net/qq_54263076/article/details/127155374?spm=1001.2014.3001.5501

main.py文件

import cv2 as cv
import matplotlib.pyplot as plt

#解決中文顯示問題,固定格式，直接復(fù)制下面?zhèn)z行代碼就行
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

# 加載分類器
cascade = cv.CascadeClassifier("./xml/cascade.xml")
cascade.load("./xml/cascade.xml")
# 讀取灰度圖片
pic1 = cv.imread("boat.jpg")
pic2= cv.imread("./ini_neg/0b46f21fbe096b639ef96b67fc926942eaf8ac49.jpeg")
pic1=cv.resize(pic1,(100,100))
pic2=cv.resize(pic2,(400,400))
pic2[200:300,100:200]=pic1
gray = cv.cvtColor(pic2,cv.COLOR_BGR2GRAY)
# 探測圖片中的船只
faces = cascade.detectMultiScale(
    gray,
    scaleFactor = 1.1,
    minNeighbors = 150,
    minSize = (50,50),
)
#繪制矩形
pic3=pic2.copy()
for (x,y,w,h) in faces:
    cv.rectangle(pic3,(x,y),(x+h,y+w),(0,0,255),5)
#繪圖
fig,axes=plt.subplots(nrows=1,ncols=2)
axes[0].imshow(pic2[:,:,::-1])
axes[0].set_title("原圖")
axes[1].imshow(pic3[:,:,::-1])
axes[1].set_title("識別")

plt.show()
cv.waitKey()

由于所選樣本太太太太少，且有些正樣本不純不好，導(dǎo)致結(jié)果偏差比較大

根據(jù)以上教程，可以不斷像文件夾添加樣本圖片達(dá)到上千，生成.vec和.xml文件，完成自己的物品識別，完整代碼放在下面，可以自己下載修改

https://download.csdn.net/download/qq_54263076/86736208https://download.csdn.net/download/qq_54263076/86736208文章來源地址http://www.zghlxwxcb.cn/news/detail-456398.html

到了這里，關(guān)于（終章）[圖像識別]13.OpenCV案例 自定義訓(xùn)練集分類器物體檢測的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！