目标检测器训练过程总结（HyperLPR）

1. 项目背景

  开源项目HyperLPR，在车牌粗定位（提取）阶段，依赖于训练好的模型文件cascade.xml，而该文件是一个由基于OpenCV的Haar级联分类器训练出来的模型，HyperLPR作者有在他的博客中谈到了该模型文件的训练过程。
  车牌粗定位大致程序流程：

  以下内容记录训练cascade.xml模型文件的过程。

2. 环境准备

• Python2.7.14
• OpenCV3.0
• 其他依赖(image, opencv-python)：
  
• 开源项目：OpenCV Cascade车牌检测器训练代码
• Tip：记住安装或下载解压的目录

3. 数据准备

• 正样片：最好使用项目具体应用，若无，可用开源项目Plate_Recognition-LPRnet下的车牌图像作为正样片，此项目正样片应置于train-detector/china/目录下
• 负样片：train-detector下的raw-neg已包含

4. prep.py使用说明

4.1. 变量说明

• 调整国家和车牌长度宽度，将以下代码置于导包语句后
  
• OPENCV_DIR：opencv安装目录
  OPENCV_DIR= 'D:\\ProgramData\\OpenCV3.0.0\\opencv\\build\\x64\\vc11\\bin'
• BASE_DIR：指定prep所在的目录
  BASE_DIR = 'G:\\PycharmProjects\\train-detector\\'
• OUTPUT_DIR：训练模型输出目录
• INPUT_NEGATIVE_DIR：负样本放置目录
  INPUT_NEGATIVE_DIR = BASE_DIR + 'raw-neg\\'
• INPUT_POSITIVE_DIR：正样本输出目录
  INPUT_POSITIVE_DIR = BASE_DIR + COUNTRY + '\\'

4.2. 训练过程(cmd切换到prep所在目录下)

1. & ‘D:\ProgramData\Python27\python.exe’ prep.py neg
2. & ‘D:\ProgramData\Python27\python.exe’ prep.py pos
3. & ‘D:\ProgramData\Python27\python.exe’ prep.py train---->生成的语句复制运行
   

---

训练过程

可能出现的问题：
解决方法：参数numPos调低，如此处正样片有752，可设置numPos为652，原因参见

4.3. 训练结果

train-detector/out/cascade.xml

5. 相关知识点

• 基于OpenCV的Haar级联分类器
• OpenALPR的Train-Detector