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。
1、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。
2、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 osfrom 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.pathimport globdef 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")
复制代码
3、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=0with 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=0with 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
复制代码
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 40pause
复制代码
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
复制代码
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 npimport cv2face_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'): breakcap.release()cv2.destroyAllWindows()
复制代码
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。
评论