Python—OpenCV創建級聯文件（Windows7/10環境）

目錄

搭建環境

準備數據集

訓練級聯文件

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訓練屬于自己的xml文件，需以下幾個步驟：

1、首先下載OpenCV（Windows版）；

2、準備數據集，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文件。

搭建環境

OpenCV創建級聯文件需要先下載OpenCV（Windows版）。

接下來傻瓜式安裝操作，安裝到指定路徑。

安裝成功后開始配置環境變量（配置環境變量比較簡單，此處省略），稍后會用到OpenCV中的opencv_createsamples.exe和opencv_traincascade.exe文件訓練級聯文件，我的安裝路徑在D盤，所以設置環境變量的路徑是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量。

準備數據集

需要準備正樣本數據集（所要識別的物體）和負樣本數據集（背景圖片、干擾圖片），數據集數量越多種類越復雜越好。

通常正樣本數據裁剪為20*20或40*40大小的像素即可（這里我使用40*40像素訓練模型，9小時+可以訓練完成），注意：像素過大訓練速度相當慢，圖片像素最好是正方形圖片，長寬相等。

通常負樣本數據集是識別物體的背景環境照片，圖片越多越復雜抗干擾能力越強，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程序實現批量調整圖片數據大小和圖片命名，具體如下：

# -*- coding:utf8 -*-

import os

from PIL import Image

'''

批量重命名文件夾中的圖片文件

'''

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()

'''

批量修改圖片尺寸

'''

#提取目錄下所有圖片,更改尺寸后保存到另一目錄

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"):

#像素修改后存入images文件

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

訓練級聯文件

1、首先按照要求創建訓練文件夾

negative_images文件夾存放負樣本圖片。

positive_images文件夾存放正樣本圖片。

xml文件夾存放稍后生成的xml級聯文件。

opencv_createsamples.exe負責生成*.vec文件。

opencv_traincascade.exe負責訓練級聯文件模型。

另外我還寫了兩個Python文件負責批量處理圖片命名、尺寸縮小和生成對應的txt文件。

2、生成指定的txt文件路徑

執行這一步之前保證文件已經命名規范，尺寸縮小到合適大小。

運行生成txt文件.py文件，生成對應的正樣本路徑和負樣本路徑文件，效果如下：

文件夾結構如下：

正樣本路徑文件（pos.txt）格式如下：

正樣本路徑文件（neg.txt）格式如下：

生成對應的txt文件Python代碼如下：

import os

'''

正樣本數據生成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

'''

負樣本數據生成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、獲取正樣本矢量集vec文件

在文件夾下新建createsamples.bat，批處理文件，內容如下：

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

pause

其中，-vec后面是將生成的正樣本矢量集vec文件，-info后面是正樣本路徑文件，-num后面的數字是正樣本個數，-w后面的數字是正樣本圖片的長，-h后面的數字是正樣本圖片的高。

雙擊createsamples.bat后出現pos.vec即為運行成功。

此時文件夾結構如下：

4、訓練級聯文件模型

在文件夾下新建train.dat文件，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 負樣本描述文件， -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的參數要比實際正樣本數量小，-numNeg 的參數要比實際負樣本數量大 ）， -numStages 訓練階段數 （這個參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文檔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 ，最后需要在加上 -mode ALL。

此時文件夾結構如下：

雙擊train.bat后進入訓練模式，進入漫長等待，效果如下：

最后訓練完成之后級聯文件保存在xml文件夾中。

其中，只有第一個cascade.xml文件是我們所需要的文件，其余文件是訓練過程中生成的檢查的文件，防止訓練過程中出現意外程序重頭訓練。

下面使用Python代碼進行模型測試，效果如下：

驗證Python代碼如下：

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()

最后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。

OpenCV Python Windows 機器學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。