Python—OpenCV建立級聯檔案（Windows7/10環境）
目錄
之前使用Python+OpenCV實現交通路標識別，具體實現步驟及心得如下：
OpenCV訓練屬於自己的xml檔案，需以下幾個步驟：
1、首先下載OpenCV（Windows版）；
2、準備資料集，分為正樣本集和負樣本集；
3、生成路徑，將正樣本集的路徑要存成 *.vec格式；負樣本集的路徑不做要求，*.txt就可以；
4、訓練xml檔案。
-
搭建環境
OpenCV建立級聯檔案需要先下載OpenCV（Windows版）。
接下來傻瓜式安裝操作，安裝到指定路徑。
安裝成功後開始配置環境變數（配置環境變數比較簡單，此處省略），稍後會用到OpenCV中的opencv_createsamples.exe和opencv_traincascade.exe檔案訓練級聯檔案，我的安裝路徑在D盤，所以設定環境變數的路徑是D:\opencv\opencv\build\x64\vc15\bin。 注意：若直接在D:\opencv\opencv\build\x64\vc15\bin路徑下訓練模型，可以不用配置環境變數。
-
準備資料集
需要準備正樣本資料集（所要識別的物體）和負樣本資料集（背景圖片、干擾圖片），資料集數量越多種類越複雜越好。
通常正樣本資料裁剪為20*20或40*40大小的畫素即可（這裡我使用40*40畫素訓練模型，9小時+可以訓練完成），注意：畫素過大訓練速度相當慢，圖片畫素最好是正方形圖片，長寬相等。
通常負樣本資料集是識別物體的背景環境照片，圖片越多越複雜抗干擾能力越強，負樣本圖片可以不用裁剪為固定大小，但是為了提升訓練速度建議進行合理裁剪。
正樣本圖片如下：
負樣本圖片如下：
為了操作方便，我寫了Python程式實現批量調整圖片資料大小和圖片命名，具體如下：
# -*- coding:utf8 -*- import os from PIL import Image ''' 批量重新命名資料夾中的圖片檔案 ''' 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() ''' 批量修改圖片尺寸 ''' #提取目錄下所有圖片,更改尺寸後儲存到另一目錄 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"): #畫素修改後存入images檔案 convertjpg(jpgfile,r"C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\images")
-
訓練級聯檔案
1、首先按照要求建立訓練資料夾
negative_images資料夾存放負樣本圖片。
positive_images資料夾存放正樣本圖片。
xml資料夾存放稍後生成的xml級聯檔案。
opencv_createsamples.exe負責生成*.vec檔案。
opencv_traincascade.exe負責訓練級聯檔案模型。
另外我還寫了兩個Python檔案負責批量處理圖片命名、尺寸縮小和生成對應的txt檔案。
2、生成指定的txt檔案路徑
執行這一步之前保證檔案已經命名規範，尺寸縮小到合適大小。
執行生成txt檔案.py檔案，生成對應的正樣本路徑和負樣本路徑檔案，效果如下：
資料夾結構如下：
正樣本路徑檔案（pos.txt）格式如下：
正樣本路徑檔案（neg.txt）格式如下：
生成對應的txt檔案Python程式碼如下：
import os
'''
正樣本資料生成txt檔案
'''
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
'''
負樣本資料生成txt檔案
'''
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、獲取正樣本向量集vec檔案
在資料夾下新建createsamples.bat，批處理檔案，內容如下：
opencv_createsamples.exe -vec pos.vec -info pos.txt -num 1100 -w 40 -h 40
pause
其中，-vec後面是將生成的正樣本向量集vec檔案，-info後面是正樣本路徑檔案，-num後面的數字是正樣本個數，-w後面的數字是正樣本圖片的長，-h後面的數字是正樣本圖片的高。
雙擊createsamples.bat後出現pos.vec即為執行成功。
此時資料夾結構如下：
4、訓練級聯檔案模型
在資料夾下新建train.dat檔案，內容如下：
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 是存放訓練好的分類器的路徑 ，-vec 就是存放.vec的路徑， -bg 負樣本描述檔案， -numPos 每一階段訓練的正樣本數量 ， -numNeg 每一階段訓練的負樣本數量 （網上說-numPos的引數要比實際正樣本數量小，-numNeg 的引數要比實際負樣本數量大 ）， -numStages 訓練階段數 （這個引數不能太大也不能太小 ，太大訓練時間過長，如果太小的話 生成的xml文件分類效果可能就不太好 ）， -featureType 選擇LBP還是HAAR 在此選用LBP ，-w -h 訓練樣本尺寸 和vec生成的尺寸大小相同 不然會宕機， -minHitRate 最小命中率 ，-maxFalseAlarmRate 最大虛警率 ，最後需要在加上 -mode ALL。
此時資料夾結構如下：
雙擊train.bat後進入訓練模式，進入漫長等待，效果如下：
最後訓練完成之後級聯檔案儲存在xml資料夾中。
其中，只有第一個cascade.xml檔案是我們所需要的檔案，其餘檔案是訓練過程中生成的檢查的檔案，防止訓練過程中出現意外程式重頭訓練。
下面使用Python程式碼進行模型測試，效果如下：
驗證Python程式碼如下：
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()
最後我將模型搭建在樹莓派上，發現識別效果，處理速度還是蠻不錯的。