Python—OpenCV创建级联文件(Windows7/10环境)

举报
不脱发的程序猿 发表于 2020/12/28 00:17:00 2020/12/28
【摘要】 目录 搭建环境 准备数据集 训练级联文件 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,*...

目录

搭建环境

准备数据集

训练级联文件


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。

  • 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。

  • 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:


  
  1. # -*- coding:utf8 -*-
  2. import os
  3. from PIL import Image
  4. '''
  5. 批量重命名文件夹中的图片文件
  6. '''
  7. class BatchRename():
  8. def __init__(self):
  9. self.path = r'C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\positive_images'
  10. def rename(self):
  11. filelist = os.listdir(self.path)
  12. total_num = len(filelist)
  13. i = 0
  14. for item in filelist:
  15. if item.endswith('.jpg'):
  16. src = os.path.join(os.path.abspath(self.path), item)
  17. print(src)
  18. dst = os.path.join(os.path.abspath(self.path), str(i) + '.jpg')
  19. try:
  20. os.rename(src, dst)
  21. print ('converting %s to %s ...' % (src, dst))
  22. i = i + 1
  23. except :
  24. continue
  25. print ('total %d to rename & converted %d jpgs' % (total_num, i))
  26. if __name__ == '__main__':
  27. demo = BatchRename()
  28. demo.rename()
  29. '''
  30. 批量修改图片尺寸
  31. '''
  32. #提取目录下所有图片,更改尺寸后保存到另一目录
  33. import os.path
  34. import glob
  35. def convertjpg(jpgfile,outdir,width=40,height=40):
  36. img=Image.open(jpgfile)
  37. try:
  38. new_img=img.resize((width,height),Image.BILINEAR)
  39. new_img.save(os.path.join(outdir,os.path.basename(jpgfile)))
  40. except Exception as e:
  41. print(e)
  42. for jpgfile in glob.glob(r"C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\positive_images\*.jpg"):
  43. #像素修改后存入images文件
  44. convertjpg(jpgfile,r"C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\images")
  • 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:


  
  1. import os
  2. '''
  3. 正样本数据生成txt文件
  4. '''
  5. file_dir=os.getcwd()
  6. file_dir=r'C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\positive_images'
  7. L=[]
  8. i=0
  9. with open("pos.txt","w+") as f:
  10. for root, dirs, files in os.walk(file_dir):
  11. for file in files:
  12. if os.path.splitext(file)[1] == '.jpg':
  13. L.append(os.path.join(root, file))
  14. f.write(L[i]+' 1'+' 0'+' 0'+' 40'+' 40'+'\n')
  15. i+=1
  16. '''
  17. 负样本数据生成txt文件
  18. '''
  19. file_dir=r'C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\negative_images'
  20. L=[]
  21. i=0
  22. with open("neg.txt","w+") as f:
  23. for root, dirs, files in os.walk(file_dir):
  24. for file in files:
  25. if os.path.splitext(file)[1] == '.jpg':
  26. L.append(os.path.join(root, file))
  27. f.write(L[i]+'\n')
  28. i+=1

 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:


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

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:


  
  1. 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
  2. pause

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:


  
  1. import numpy as np
  2. import cv2
  3. face_cascade = cv2.CascadeClassifier('cascade.xml')
  4. cap = cv2.VideoCapture(0)
  5. while True:
  6. ret,img = cap.read()
  7. gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  8. faces = face_cascade.detectMultiScale(gray, 1.3, 5)
  9. for (x,y,w,h) in faces:
  10. cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
  11. cv2.imshow('img',img)
  12. if cv2.waitKey(1) &0xFF == ord('q'):
  13. break
  14. cap.release()
  15. cv2.destroyAllWindows()

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。 

 

文章来源: blog.csdn.net,作者:不脱发的程序猿,版权归原作者所有,如需转载,请联系作者。

原文链接:blog.csdn.net/m0_38106923/article/details/81912705

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。