一、准备阶段

正样本集：正样本集为包含“识别物体”的灰度图，一般大于等于2000张，尺寸不能太大，尺寸太大会导致训练时间过长。

负样本集：负样本集为不含“识别物体”的任何图片，一般大于等于5000张，尺寸比正样本集稍大。一般为正样品集的3倍。

在当前文件夹下新建五个文件夹，pos和neg放处理后的图片，ini_pos和ini_neg放原来的图像，xml放以后自定义生成的分类器

将下载的正负样本集分别放入ini_pos和ini_neg文件夹。

我百度图片上下载了船的图片到ini_pos,鱼的图片到ini_neg

注意：好的正训练集最好还是图片中只有你需要的物体，而没有其他物体和背景干扰，百度图片里面有动图gif格式图片，不能通过opencv读取，下载完后看好图片后缀。

下面是初始的俩个样品集

二、图片处理

样品集需要统一大小和统一改为灰度图

代码：

import cv2 as cv
import matplotlib.pyplot as plt
import os
#解决中文显示问题,固定格式，直接复制下面俩行代码就行
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False


pospath = "./ini_pos"#正样本集文件夹路径
pos = os.listdir(pospath)#读取路径下的所有文件
negpath = "./ini_neg"
neg = os.listdir(negpath)

#图片处理，注意图片不能有gif格式
def picdif():
    global pos,neg;
    i=1;
    for picname in pos:#遍历pos文件数组所有的文件名
        #读取灰度图
        pic=cv.imread(pospath+"\\"+picname)
        pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY)
        #修改尺寸
        pic=cv.resize(pic,(40,40))
        #保存图片
        cv.imwrite("./pos/"+str("%03d"%i)+".jpg",pic)
        i+=1

    #同理对负样本集进行处理
    j = 1;
    for picname in neg: # 遍历neg文件数组所有的文件名
        #读取灰度图
        pic=cv.imread(negpath+"\\"+picname)
        pic=cv.cvtColor(pic,cv.COLOR_BGR2GRAY)
        #修改尺寸
        pic=cv.resize(pic,(50,50))
        #重命名，并保存图片
        cv.imwrite("./neg/"+str("%03d"%j)+".jpg",pic)
        j+=1


if __name__ == '__main__':
# 1.导入文件夹，对图像统一处理,统一尺寸大小，统一灰度图
    picdif()

处理后的正负样本集和图片：

三、生成描述文件

正样本描述文件如下：

其中"1"为图片数量（0,0）坐标，（40,40）是正样本集的长宽

负样本描述文件如下：

代码更新：

四、生成.vec文件

获取opencv_createsamples.exe和opencv_traincascade.exe

这两个软件在opencv安装包里是没有的，只有下载opencv以及opencv_contrib源码自己编译才会生成这两个可执行程序

我是直接下载别人的程序，下面是网址

opencv341_bin: 编译opencv以及opencv_contrib以后的bin文件夹，里面包含一些可执行程序https://gitee.com/lizaozao/opencv341_bin注意下载依赖项解压到opencv_createsamples.exe和opencv_traincascade.exe同一目录下

在该主目录文件下打开终端窗口，win11可直接通过右键“在终端打开”

输入

五、生成.xml自定义分类器文件

当前主目录文件夹终端下输入

结果：

由于样本较少，训练十秒就完成了

六、识别检测

上一节课已经说了，直接上代码

[图像识别]12.Opencv案例超简单人脸检测识别_ζั͡ ั͡雾 ั͡狼 ั͡✾的博客-CSDN博客1.原理：我们使用机器学习的方法完成人脸检测，首先需要大量的正样本图像(面部图像)和负样本图像(不含面部的图像)来训练分类器。我们需要从其中提取特征。Haar特征（这个值等于黑色矩形中的像素值之后减去白色矩形中的像素值和。）会被使用，就像我们的卷积核,每一个特征是一个值。Haar特征值反映了图像的灰度变化情况。Haar特征可用于于图像任意位置，大小也可以任意改变，所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化，使得很小的检测窗口含有非常多的矩形特征。https://blog.csdn.net/qq_54263076/article/details/127155374?spm=1001.2014.3001.5501