分类器的训练进行目标识别，以车辆识别为例

目录

1、从网络上下载或者本身找到的图片中裁剪挑选出合适的图片。

2、在negdata和posdata文件夹准备好以后，使用命令提示符（win + r），输入cmd，把位置切换到posdata文件夹的位置。

3、找到本身下载的OpenCV文件夹，打开opencv,打开build，打开x64,打开vc14，打开bin文件夹。

4、打开cmd，在该文件目录下输入“ opencv_createsamples.exe -vec pos.vec -info pos.txt -num 32 -w 100 -h 40 ” 。

5、在主文件夹下建立一个txt文档，命名为“traincascade”。

6、 以后能够运行VS，新建一个VC++项目。输入一下代码以后进行测试。

---

1、从网络上下载或者本身找到的图片中裁剪挑选出合适的图片。

图片的大小和格式都要相同，准备好两个文件夹，分别命名为posdata（正样本）和negdata（负样本），全部样本的尺寸必须一致，若是不一致的或者尺寸较大的，能够先将全部样本统一缩放到100*40。posdata中的图片为车辆样本。给分类器展现的是正确的样本。

negdata中的图片为一些背景样本，里面不包含车辆，是用来告诉分类器哪些是错误的样本。虽然负样本就是样本中不存在正样本的内容，但最好是根据不一样的项目选择不一样的负样本，好比一个项目是作机场的人脸检测，那么就最好从现场拍摄一些图片数据回来，从中采集负样本。 

2、在negdata和posdata文件夹准备好以后，使用命令提示符（win + r），输入cmd，把位置切换到posdata文件夹的位置。

而后在里面输入“ dir /b/s/p/w *.jpg > pos.txt ”，将会在posdata文件夹中产生一个pos.txt的文档。打开pos.txt，选择编辑-替换，在查找中搜索jpg,替换为jpg 1 0 0 100 40，以后保存，将pos.txt复制到上一级目录中。

 以后对negdata文件夹进行相同的操做，在cmd中输入的语句为“ dir /b/s/p/w *.jpg > neg.txt ”。

3、找到本身下载的OpenCV文件夹，打开opencv,打开build，打开x64,打开vc14，打开bin文件夹。

选择opencv_createsamples.exe和opencv_traincascade.exe两项，将其复制到须要的文件夹中，与negdata、posdata并列。 

 

4、打开cmd，在该文件目录下输入“ opencv_createsamples.exe -vec pos.vec -info pos.txt -num 32 -w 100 -h 40 ” 。

        pos.txt 代表这是正样本；

        num 32 表明正样本照片数量；

       w 100  h40表示图片分辨率（宽和高）

以后在该文件夹中会出现pos.vec

以后重复该步骤，cmd输入的语句换为“ opencv_createsamples.exe -vec neg.vec -info neg.txt -num 100 -w 100 -h 40 ”，产生neg.vec。

5、在主文件夹下建立一个txt文档，命名为“traincascade”。

在该txt中输入“ 

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 表明正样本照片数量   numNeg100 表示负样本照片数量     numStage 20表示检测次数   pause为暂停

对“traincascade.txt”进行重命名，将后缀名改成bat。

 以后双击“traincascade.bat”。会产生以下效果

 训练分类器时占用CPU空间多，电脑运行将会变卡，处理时间较长。处理完成以后将会在文件夹下生成一个cascade.xml。

6、 以后能够运行VS，新建一个VC++项目。输入一下代码以后进行测试。

代码为：

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

using namespace cv;
using namespace std;

String filename = "F:/车辆样本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:/图片/15.jpg"); //须要检测的图片
    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;

}

 以后点击运行，由于设置的正负样本过少的缘由，效果不是很明显。出现效果以下：