基于opencv的haar训练自己的识别器

环境准备

​ 所需的环境非常简单，如下：

• 操作系统： Windows

• opencv 【opencv版本随意，但最好是较低版本的，像opencv3.4.1这样，因为后面所需的一些文件高版本的opencv是不自带的，当然想必看这篇文章的都已经下好opencv了，那么对于已经下了高版本opencv的同志也不要着急，本文会告诉你解决方法】

• ​ opencv_createsamples.exe 和 opencv_traincascade.exe

  ​重点来说一下这两个文件，有的博客上不是用 opencv_traincascade.exe，而是用opencv_haartraining.exe，我觉得这两个没什 么区别，都可以达到效果。在很多博客中都说这两个exe文件时opencv自带的，这是没错的，但是低版本的opencv中有这两个文件，高版本的opencv中没有,这也是我前面说推荐低版本opencv的原因。寻找这两个文件真是要了我们命，而且他们还需要 各种依赖，而网上的很多这个包还需要某某积分下载，着实让人头疼。好吧，不说这些糟心事，下面给出这些文件的下载链接:https://gitee.com/wsj-create/csdn/tree/master/bin。

  ​ 当然，大家也可以看看自己的opencv中有没有这两个文件，文件路径如下：

  

  ​

数据准备

  首先我们需要创建一些文件夹来管理我们的数据，文件结构如下：

来简单介绍一下这三个文件夹：

• neg: 存放负样本图片【如我们需要进行人脸检测，即这个文件夹就存放除人脸的各种图片】
• pos: 存放正样本图片【如我们需要进行人脸检测，即这个文件夹就存放各种人脸的图片】
• xml: 存放最后程序运行结构文件

​    建立好这些文件夹后我们就需要在neg和pos文件夹中存放我们想训练的图片了。【这里需要注意一下，我们在pos中的图片，即正样本的图片，应尽量保持图片大小一致，如都设置为（20，20）的大小。批量处理文件夹中图片大小的程序到处可见，这里给出一个链接：批量处理图片尺寸；而在neg中的图片，可不做处理】

数据预处理✨✨✨

建立正样本的描述文件

  首先我们通过windows的cdm进入到pos文件夹中，如下：

​    然后我们在cmd中输入代码：dir /b > pos.txt，这时候在pos文件夹会产生一个pos.txt的文件，这个文件记录了该文件夹中所有图片的名称。

​   打开pos.txt文件，去除pos.txt最后一行的pos文件夹，将所有png替换成 png 1 0 0 20 20。这里1表示当前图片重复出现的次数是1， 0 0 20 20表示目标图片大小是矩形框从（0，0）到（20，20）。最终pos.txt文件中的内容应具有如下的格式。

建立负样本的描述文件

  同样的方法，现在我们先进入neg文件夹，然后在cmd中输入dir /b/s/p/w *.png > neg.txt,这时候会在neg文件夹中生成一个neg.txt文件，这时产生的文件不做任何修改。最终neg.txt文件中的内容应具有如下的格式。【注意：这里的路径确保是绝对路径，否则后面训练时可能会出错】

生成正样本的.vec文件

  需要注意的是，生成.vec需要opencv_createsamples.exe，这个文件我在环境准备时已经给出，其放置位置如下：【黄框框住的才是我们真正需要的，其他有的是这俩所依赖的，有的可能不是，所幸我把opencv里面的文件都放进来了，这样多了文件也不会错】

  首先我们进入到circle_detect目录，即pos、neg文件夹所在目录，在此目录输入以下指令：

opencv_createsamples.exe -vec pos.vec -info pos\pos.txt -bg neg\neg.txt -w 20 -h 20 -num 1500 ；

对指令参数进行简要介绍：

-vec pos.vec：指定生成的文件，最终生成的就是pos.vec；
-info pos\pos.txt：目标图片描述文件，在pos\pos.txt；
-bg neg\neg.txt：背景图片描述文件，在neg\neg.txt；
-w 20：输出样本的宽度，20；
-h 20：输出样本的高度，20；
-num 1500：要产生的正样本数量，1500；

  最终，我们会在circle_detect文件夹下产生一个pos.vec文件

训练模型✨✨✨

  同样的，我们进入到circle_detect目录，并输入以下命令：

opencv_traincascade.exe -vec pos.vec -bg neg\neg.txt -data xml -w 20 -h 20 -mem 1024 -numPos 1000 -numNeg  3000 -nstages 2 -nsplits 5

对指令参数进行简要介绍：

-vec pos.vec：正样本文件名；
-bg neg\neg.txt：背景描述文件；
-data xml：指定存放训练好的分类器的路径名，也就是前面建立的xml文件夹；
-w 20：样本图片宽度，20；
-h 20：样本图片高度，20；
-mem 1024：提供的以MB为单位的内存，很明显，这个值越大，提供的内存越多，运算也越快；
-numPos1000：取1000个正样本，这个数值一定要比准备正样本时的数目少，不然会报 can not get new positive sample。
-numNeg3000：取3000个负样本
-nstages 2：指定训练层数，层数越高耗时越长；
-nsplits 5：分裂子节点数目, 默认值 为2；

  训练成功之后在xml目录下会生成cascade.xml文件，这个文件就是最终训练成功的文件，这时候我们就可以用代码来测试自己的模型。

模型测试

直接上代码：

# 导入opencv-python
import cv2
#上一步得到的cascade.xml路径，注意这里我换了个路径
path = 'D://cascade.xml'
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + path)

face_cascade.load(path)
#读取一张图像
img = cv2.imread('warped.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 用人脸级联分类器引擎进行人脸识别，返回的faces为人脸坐标列表，1.3是放大比例，5是重复识别次数
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.3,minNeighbors=5)

for (x,y,w,h) in faces:
    # 画出人脸框，蓝色（BGR色彩体系），画笔宽度为2
    img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)

# 在"img2"窗口中展示效果图
cv2.imshow('img2',img)
# 监听键盘上任何按键，如有按键即退出并关闭窗口，并将图片保存为output.jpg
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('output.png',img)

在对模型进行训练时，也有一些需要注意的，具体可以看我的这篇博客：haar测试注意事项

参考链接：https://blog.csdn.net/hongbin_xu/article/details/74203215

 
 
如若文章对你有所帮助，那就🛴🛴🛴

咻咻咻咻~~duang~~点个赞呗