分類器的訓練進行目標識別，以車輛識別爲例

目錄

1、從網絡上下載或者本身找到的圖片中裁剪挑選出合適的圖片。

2、在negdata和posdata文件夾準備好以後，使用命令提示符（win + r），輸入cmd，把位置切換到posdata文件夾的位置。

3、找到本身下載的OpenCV文件夾，打開opencv,打開build，打開x64,打開vc14，打開bin文件夾。

4、打開cmd，在該文件目錄下輸入「 opencv_createsamples.exe -vec pos.vec -info pos.txt -num 32 -w 100 -h 40 」 。

5、在主文件夾下建立一個txt文檔，命名爲「traincascade」。

6、 以後能夠運行VS，新建一個VC++項目。輸入一下代碼以後進行測試。

---

1、從網絡上下載或者本身找到的圖片中裁剪挑選出合適的圖片。

圖片的大小和格式都要相同，準備好兩個文件夾，分別命名爲posdata（正樣本）和negdata（負樣本），全部樣本的尺寸必須一致，若是不一致的或者尺寸較大的，能夠先將全部樣本統一縮放到100*40。posdata中的圖片爲車輛樣本。給分類器展現的是正確的樣本。

negdata中的圖片爲一些背景樣本，裏面不包含車輛，是用來告訴分類器哪些是錯誤的樣本。雖然負樣本就是樣本中不存在正樣本的內容，但最好是根據不一樣的項目選擇不一樣的負樣本，好比一個項目是作機場的人臉檢測，那麼就最好從現場拍攝一些圖片數據回來，從中採集負樣本。 

2、在negdata和posdata文件夾準備好以後，使用命令提示符（win + r），輸入cmd，把位置切換到posdata文件夾的位置。

而後在裏面輸入「 dir /b/s/p/w *.jpg > pos.txt 」，將會在posdata文件夾中產生一個pos.txt的文檔。打開pos.txt，選擇編輯-替換，在查找中搜索jpg,替換爲jpg 1 0 0 100 40，以後保存，將pos.txt複製到上一級目錄中。

 以後對negdata文件夾進行相同的操做，在cmd中輸入的語句爲「 dir /b/s/p/w *.jpg > neg.txt 」。

3、找到本身下載的OpenCV文件夾，打開opencv,打開build，打開x64,打開vc14，打開bin文件夾。

選擇opencv_createsamples.exe和opencv_traincascade.exe兩項，將其複製到須要的文件夾中，與negdata、posdata並列。 

 

4、打開cmd，在該文件目錄下輸入「 opencv_createsamples.exe -vec pos.vec -info pos.txt -num 32 -w 100 -h 40 」 。

        pos.txt 代表這是正樣本；

        num 32 表明正樣本照片數量；

       w 100  h40表示圖片分辨率（寬和高）

以後在該文件夾中會出現pos.vec

以後重複該步驟，cmd輸入的語句換爲「 opencv_createsamples.exe -vec neg.vec -info neg.txt -num 100 -w 100 -h 40 」，產生neg.vec。

5、在主文件夾下建立一個txt文檔，命名爲「traincascade」。

在該txt中輸入「 

opencv_traincascade.exe -data xml -vec pos.vec -bg neg.txt -numPos 32 -numNeg 100 -numStages 20 -w 100 -h 40 -mode ALL

pause

」

numPos 32 表明正樣本照片數量   numNeg100 表示負樣本照片數量     numStage 20表示檢測次數   pause爲暫停

對「traincascade.txt」進行重命名，將後綴名改成bat。

 以後雙擊「traincascade.bat」。會產生以下效果

 訓練分類器時佔用CPU空間多，電腦運行將會變卡，處理時間較長。處理完成以後將會在文件夾下生成一個cascade.xml。

6、 以後能夠運行VS，新建一個VC++項目。輸入一下代碼以後進行測試。

代碼爲：

#include<opencv2\opencv.hpp>
#include<iostream>

using namespace cv;
using namespace std;

String filename = "F:/車輛樣本2/cascade.xml";  //以前cascade.xml放置的位置
CascadeClassifier car_classifier;

int main(int argc, char**argv)
{
    if (!car_classifier.load(filename))
    {
        printf("could not laod car feature data..\n");
        return -1;
    }

    Mat src = imread("D:/圖片/15.jpg"); //須要檢測的圖片
    if (src.empty())
    {
        printf("could not laod image...\n");
        return -1;
    }
    imshow("inupt image", src);
    Mat gray;
    cvtColor(src, gray, COLOR_BGR2GRAY);
    equalizeHist(gray, gray);

    vector<Rect>cars;
    car_classifier.detectMultiScale(gray, cars, 1.1, 3, 0, Size(50, 50));
    for (size_t t = 0; t < cars.size(); t++)
    {
        rectangle(src, cars[static_cast<int>(t)], Scalar(0, 0, 255), 2, 8, 0);
    }

    imshow("detect cars", src);
    waitKey(0);
    return 0;

}

 以後點擊運行，由於設置的正負樣本過少的緣由，效果不是很明顯。出現效果以下：