Windows环境下训练OpenCV分类器

首先说一下我的经历吧！不想看的可以直跳到教程。之前在树莓派上训练分类器，发现树莓派内存过小，训练几张照片还ok，但是训练十几张照片进程直接就被系统扼杀掉,，所以这次选择用笔记本训练。经过测试，用400张50分辨率的正样本，1500张负样本训练，训练器级数为20，featureType 采用LBP特征时，需要4、5个小时才训练到16级，如果用Haar特征的话我训练的三天三夜才训练到16级，越是到后面越慢（featureType ，提取图像特征的类型，目前只支持LBP、HOG、Haar三种特征。但是HAAR训练非常非常的慢，而LBP则相对快很多）。还有我们安装的OpenCV是不带opencv_createsamples.exe和opencv_traincascade.exe这两个程序的，在网上找了很多的方法去编译然而只编译到opencv_createsamples.exe，后来我干脆不自己编译了，直接拿了别然的这两个exe程序来用。总之一句话就是“坑爹！”，太耗时间和精力了，下面教程我就用几张照片做个示范给你们看，如果你们跟着我来做的话是很快就能够完成的。

一、Windows下安装OpenCV及依赖库

为了减少不必要的麻烦就不用源码安装了，直接在Powershell用pip安装，而且用国内源（我这里用的是阿里源）下载OpenCV，官方的太慢了。

打开Powershell，输入以下命令

pip install opencv-python -i http://mirrors.aliyun.com/pypi/simple/   --trusted-host mirrors.aliyun.com

测试一下

python
import cv2

Ctrl+Z退出Python环境
如下：

安装依赖库

pip install scikit-image

测试一下

import skimage.io as io

二、获取opencv_createsamples.exe和opencv_traincascade.exe

训练过分类器的小伙伴都知道，训练分类器需要用到opencv_createsamples.exe和opencv_traincascade.exe这两个程序，然而我们安装的OpenCV都是不带这两个程序的，这里呢我也是直接拿别人的来用的，两个文件下载链接如下：

链接: https://pan.baidu.com/s/1x5ZYDu5UP-CBOOjdcvbV2w
提取码：op5m
新建一个全英文目录下的文件夹OpenCV，下载后解压到该文件夹下，我的如下：

在opencv_bin下我们就可以找到opencv_createsamples.exe和opencv_traincascade.exe这两个文件，当然里面还包含了一些库，我们训练时是要用到他们的。

三、准备正样本和负样本

在OpenCV下新建两个文件夹分别为pos、neg，用来存放正样本和负样本图片。

1、收集并处理正样本

将正样本图片转为灰度图，并剪成合适的尺寸，方便后续处理。在OpenCV下创建1.py文件，放进下面代码并运行

import os
from skimage.color import rgb2gray
import numpy as np
import skimage.io as io
import cv2
def convert_gray(f, **args):  # 图片处理与格式化的函数
    rgb = io.imread(f)  # 读取图片
    gray = rgb2gray(rgb)  # 将彩色图片转换为灰度图片
    dst = cv2.resize(gray, (60, 60))  # 调整大小，图像分辨率为40*40
    return dst


if __name__ == '__main__':
    '''
    批量转灰度图
    '''
    datapath = r'D:\OpenCV\pos'  # 图片所在的路径
    str = datapath + '/*.jpg'  # 识别.jpg的图像
    coll = io.ImageCollection(str, load_func=convert_gray)  # 批处理
    for i in range(len(coll)):
        io.imsave('D:\OpenCV\pos\\' + np.str(i) + '.jpg', coll[i])  # 保存图片

可以看到正样本已经进行灰度、分辨率及顺序编号处理，注意：我们要把之前的彩色正样本删掉，不然在同一个文件夹下会影响后续训练。

2、收集负样
关于负样本，放到neg下即可，只要不含有正样本图片即可，最好是识别场景的图片。给大家一个负样本下载链接: https://pan.baidu.com/s/1TgyAuhuggktrZuWBFonUwQ提取码：j5q2，下载后如图，2000多张，已处理好灰度。

四、正负样本描述文件生成

在OpenCV下建立2.py拷贝以下代码进去运行，生成正样本描述文件info.txt

import os
def create_pos_n_neg():
    for file_type in ['pos']: #此处修改neg或pos即可
        for img in os.listdir(file_type):
            if (file_type == 'neg'):
                line = file_type + '/' + img + '\n'
                with open('bg.txt', 'a') as f:
                    f.write(line)
            elif (file_type == 'pos'):
                line = file_type + '/' + img + ' 1 0 0 50 50\n'
                with open('info.txt', 'a') as f:
                    f.write(line)

if __name__ == '__main__':
    create_pos_n_neg()
    print('描述文件已生成！')

打开info.txt就可以看到正样本描述文件内容

在OpenCV下建立3.py文件，拷贝下面代码，生成负样本描述文件bg.txt

import os
def create_pos_n_neg():
    for file_type in ['neg']: #此处修改neg或pos即可
        for img in os.listdir(file_type):
            if (file_type == 'neg'):
                line = 'D:/OpenCV/'+file_type + '/' + img + '\n'
                with open('bg.txt', 'a') as f:
                    f.write(line)
            elif (file_type == 'pos'):
                line = 'D:/OpenCV/'+file_type + '/' + img + ' 1 0 0 50 50\n'
                with open('info.txt', 'a') as f:
                    f.write(line)

if __name__ == '__main__':
    create_pos_n_neg()
    print('描述文件已生成！')

五、训练分类器

1、使用opencv_createsamples.exe生成positives.vec文件。

在cmd下进入D:\OpenCV\opencv_bin目录下运行下面命令

opencv_createsamples.exe -vec D:\OpenCV\info.vec -info D:\OpenCV\info.txt -bg D:\OpenCV\bg.txt -num 5 -w 50 -h 50

其中，-info字段填写正样本描述文件；-vec用于保存制作的正样本；-num制定正样本的数目，不能大于正样本图片数；-w和-h分别指定正样本的宽和高。

2、使用opencv_traincascade.exe训练分类器

在OpenCV文件夹下建立xml_file文件夹，用来存储训练过程中生成的xml文件。
在cmd下进入D:\OpenCV\opencv_bin目录下运行下面命令

opencv_traincascade.exe -data D:\OpenCV\xml_file -vec D:\OpenCV\info.vec -bg D:\OpenCV\bg.txt -numPos 4 -numNeg 100 -numStages 5 -featureType LBP -w 50 -h 50

data ：训练后data目录下会存储训练过程中生成的文件
vec ：通过opencv_createsamples生成的vec文件
bg bg.txt：bg.txt是负样本文件的数据
numPos ：正样本的数目，这个数值一定要比准备正样本时的数目少，不然会报can not get new positive sample.
numNeg ：负样本数目，数值可以比负样本大
numStages ：训练分类器的级数
w 50：必须与opencv_createsample中使用的-w值一致
h 50：必须与opencv_createsample中使用的-h值一致
featureType LBP: 训练时，提取图像特征的类型，目前只支持LBP、HOG、Haar三种特征。但是HAAR训练非常非常的慢，而LBP则相对快很多，因为HAAR需要浮点运算，精度自然比LBP更高，但是LBP的效果也基本能达到HAAR的效果。
注意：同时正负样本数目和w、h以及训练级数numStages的大小对训练时间的影响特别大

训练完之后我们就可以在xml_file文件夹下看到训练好的分类器cascade.xml

大功告成，有问题下方留言，谢谢！

参考：
链接: https://blog.csdn.net/MangoHHHH/article/details/109189666
链接: https://www.freesion.com/article/79671247590/