Python—OpenCV创建级联文件（Windows7/10环境）

目录

搭建环境

准备数据集

训练级联文件

之前使用Python+OpenCV实现交通路标识别，具体实现步骤及心得如下：

OpenCV训练属于自己的xml文件，需以下几个步骤：

1、首先下载OpenCV（Windows版）；

2、准备数据集，分为正样本集和负样本集；

3、生成路径，将正样本集的路径要存成 *.vec格式；负样本集的路径不做要求，*.txt就可以；

4、训练xml文件。

搭建环境

OpenCV创建级联文件需要先下载OpenCV（Windows版）。

接下来傻瓜式安装操作，安装到指定路径。

安装成功后开始配置环境变量（配置环境变量比较简单，此处省略），稍后会用到OpenCV中的opencv_createsamples.exe和opencv_traincascade.exe文件训练级联文件，我的安装路径在D盘，所以设置环境变量的路径是D:\opencv\opencv\build\x64\vc15\bin。 注意：若直接在D:\opencv\opencv\build\x64\vc15\bin路径下训练模型，可以不用配置环境变量。

准备数据集

需要准备正样本数据集（所要识别的物体）和负样本数据集（背景图片、干扰图片），数据集数量越多种类越复杂越好。

通常正样本数据裁剪为20*20或40*40大小的像素即可（这里我使用40*40像素训练模型，9小时+可以训练完成），注意：像素过大训练速度相当慢，图片像素最好是正方形图片，长宽相等。

通常负样本数据集是识别物体的背景环境照片，图片越多越复杂抗干扰能力越强，负样本图片可以不用裁剪为固定大小，但是为了提升训练速度建议进行合理裁剪。

正样本图片如下：

负样本图片如下：

为了操作方便，我写了Python程序实现批量调整图片数据大小和图片命名，具体如下：

# -*- coding:utf8 -*-

import os

from PIL import Image

'''

批量重命名文件夹中的图片文件

'''

class BatchRename():

def __init__(self):

self.path = r'C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\positive_images'

def rename(self):

filelist = os.listdir(self.path)

total_num = len(filelist)

i = 0

for item in filelist:

if item.endswith('.jpg'):

src = os.path.join(os.path.abspath(self.path), item)

print(src)

dst = os.path.join(os.path.abspath(self.path), str(i) + '.jpg')

try:

os.rename(src, dst)

print ('converting %s to %s ...' % (src, dst))

i = i + 1

except :

continue

print ('total %d to rename & converted %d jpgs' % (total_num, i))

if __name__ == '__main__':

demo = BatchRename()

demo.rename()

'''

批量修改图片尺寸

'''

#提取目录下所有图片,更改尺寸后保存到另一目录

import os.path

import glob

def convertjpg(jpgfile,outdir,width=40,height=40):

img=Image.open(jpgfile)

try:

new_img=img.resize((width,height),Image.BILINEAR)

new_img.save(os.path.join(outdir,os.path.basename(jpgfile)))

except Exception as e:

print(e)

for jpgfile in glob.glob(r"C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\positive_images\*.jpg"):

#像素修改后存入images文件

convertjpg(jpgfile,r"C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\images")

训练级联文件

1、首先按照要求创建训练文件夹

negative_images文件夹存放负样本图片。

positive_images文件夹存放正样本图片。

xml文件夹存放稍后生成的xml级联文件。

opencv_createsamples.exe负责生成*.vec文件。

opencv_traincascade.exe负责训练级联文件模型。

另外我还写了两个Python文件负责批量处理图片命名、尺寸缩小和生成对应的txt文件。

2、生成指定的txt文件路径

执行这一步之前保证文件已经命名规范，尺寸缩小到合适大小。

运行生成txt文件.py文件，生成对应的正样本路径和负样本路径文件，效果如下：

文件夹结构如下：

正样本路径文件（pos.txt）格式如下：

正样本路径文件（neg.txt）格式如下：

生成对应的txt文件Python代码如下：

import os

'''

正样本数据生成txt文件

'''

file_dir=os.getcwd()

file_dir=r'C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\positive_images'

L=[]

i=0

with open("pos.txt","w+") as f:

for root, dirs, files in os.walk(file_dir):

for file in files:

if os.path.splitext(file)[1] == '.jpg':

L.append(os.path.join(root, file))

f.write(L[i]+' 1'+' 0'+' 0'+' 40'+' 40'+'\n')

i+=1

'''

负样本数据生成txt文件

'''

file_dir=r'C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\negative_images'

L=[]

i=0

with open("neg.txt","w+") as f:

for root, dirs, files in os.walk(file_dir):

for file in files:

if os.path.splitext(file)[1] == '.jpg':

L.append(os.path.join(root, file))

f.write(L[i]+'\n')

i+=1

3、获取正样本矢量集vec文件

在文件夹下新建createsamples.bat，批处理文件，内容如下：

opencv_createsamples.exe -vec pos.vec -info pos.txt -num 1100 -w 40 -h 40

pause

其中，-vec后面是将生成的正样本矢量集vec文件，-info后面是正样本路径文件，-num后面的数字是正样本个数，-w后面的数字是正样本图片的长，-h后面的数字是正样本图片的高。

双击createsamples.bat后出现pos.vec即为运行成功。

此时文件夹结构如下：

4、训练级联文件模型

在文件夹下新建train.dat文件，内容如下：

opencv_traincascade.exe -data xml -vec pos.vec -bg neg.txt -numPos 1100 -numNeg 3205 -numStages 15 -w 40 -h 40 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -mode ALL

pause

其中，-data 是存放训练好的分类器的路径 ，-vec 就是存放.vec的路径， -bg 负样本描述文件， -numPos 每一阶段训练的正样本数量 ， -numNeg 每一阶段训练的负样本数量 （网上说-numPos的参数要比实际正样本数量小，-numNeg 的参数要比实际负样本数量大 ）， -numStages 训练阶段数 （这个参数不能太大也不能太小 ，太大训练时间过长，如果太小的话 生成的xml文档分类效果可能就不太好 ）， -featureType 选择LBP还是HAAR 在此选用LBP ，-w -h 训练样本尺寸 和vec生成的尺寸大小相同 不然会宕机， -minHitRate  最小命中率 ，-maxFalseAlarmRate 最大虚警率 ，最后需要在加上 -mode ALL。

此时文件夹结构如下：

双击train.bat后进入训练模式，进入漫长等待，效果如下：

最后训练完成之后级联文件保存在xml文件夹中。

其中，只有第一个cascade.xml文件是我们所需要的文件，其余文件是训练过程中生成的检查的文件，防止训练过程中出现意外程序重头训练。

下面使用Python代码进行模型测试，效果如下：

验证Python代码如下：

import numpy as np

import cv2

face_cascade = cv2.CascadeClassifier('cascade.xml')

cap = cv2.VideoCapture(0)

while True:

ret,img = cap.read()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = face_cascade.detectMultiScale(gray, 1.3, 5)

for (x,y,w,h) in faces:

cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)

cv2.imshow('img',img)

if cv2.waitKey(1) &0xFF == ord('q'):

break

cap.release()

cv2.destroyAllWindows()

最后我将模型搭建在树莓派上，发现识别效果，处理速度还是蛮不错的。

OpenCV Python Windows 机器学习

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。