python识别物体⼤⼩_Python-OpenCV——物体识别
（TrainCascade。。。
在上次教程Python-OpenCV —— Machine Learning讲述了如何建⽴模型，进⾏训练，然后利⽤模型对新获得的照⽚进⾏预测并给出预测值，本期教程针对某个特定的物体进⾏检测，将其标记出来，分为3个步骤，第⼀：训练特定物体，第⼆：extremepapers
训练模型
ssnd级联分类器
前⼏天看到⼀个笑话，很有意思，说的是
理论就是你什么都知道但是什么都⼲不了
实践就是你什么都能⼲但是不知道为什么
我就不⼀样了，我可以理论与实践相结合——什么都⼲不了⽽且不知道为什么
开个玩笑，⽬前有很⼤⼀部分的东西都是⼈们实践得来的经验，有些东西也许很好⽤，但未必是好理论，
⽐如现在的深度学习，扯远了，继续今天的话题，到底什么是级联分类器，其实就是把分类器按照⼀定的顺序联合到⼀起。⼀个分类器也许不好⽤，没关系，我给你多加⼏个，俗话说得好，三个臭⽪匠，顶个诸葛亮呢。
具体来说，OpenCV实现的Cascade(级联)分类器就是基于多个弱分类器对不同的特征进⾏依次处理(分类)来完成对⽬标的检测，简单的说有多个弱分类器串起来，然后提取每个平滑窗上的不同特征，把这些特征依次放进不同的弱分类器⾥判断，如果所有的弱分类器都判断正标签，则表⽰该该平滑窗内检测到⽬标。这样做的好处是不但通过多个弱分类器来形成⼀个强的级联分类器，⽽且可以减少运算量，⽐如当⼀个平滑窗第⼀个特征没有通过第⼀个分类器，那么就没有必要继续运算下去，直接拒绝掉当前平滑窗，转⽽处理下⼀个平滑窗，事实上作者的⽬的就是为了快速抛弃没有⽬标的平滑窗，从⽽达到快速检测⽬标。
本次⽤到了OpenCV的两个程序，分别是和，分别⽤来创建样本⽂件和训练级联分类器。
准备训练数据
正样本
正样本就是你要检测的东西，⽐如说⾹蕉、车牌、酒瓶、红绿灯等等，你可以找相关的数据集，或者⾃⼰⼿动截图，只取你想要识别的那部分，下⾯我给了⼀个⼩程序⽤来将你截取的图⽚都变成统⼀⼤⼩。
#改变图⽚尺⼨为统⼀⼤⼩，在当前⽬录创建⼀个名为pos的⽂件夹
#把需要统⼀尺⼨的正样本放到⾥⾯，写上尺⼨，运⾏程序就可以了，⼀般来说建议长宽在100像素⼀下，不然训练会很慢
import cv2
import os
w = **
h = **
def getimage(file_dir):
images = {}
for root, dirs, files in os.walk(file_dir):
for name in files:
images[name] = os.path.join(root,name)
return images
best是什么意思if __name__ == '__main__':
n=-1
aa = os.getcwd()
dirpath = os.path.join(aa, 'pos')
imagedic = getimage(dirpath)
try :
for key,value in imagedic.items():
img = cv2.imread(value)
img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img2 = size(img1,(w,h))
cv2.imwrite('pos'+str(n+1).rjust(3,'0')+'.jpg',img2)
n+=1
except KeyboardInterrupt:
print('暂停⼀下')
修改完图⽚尺⼨之后，需要⽣成图⽚的路径，我也写了⼀个代码，运⾏后，会在当前⽬录⽣成⼀个如图所⽰的⽂件
<
每⼀⾏分别代表⽂件路径 1代表⾥⾯有⼏个⽬标，咱们⽤的截取好的，所以只有⼀个，然后 0 0 60 120 分别代表着图⽚的起始像素和终⽌像素的长宽
#会在当前⽬录⽣成⼀个如图所⽰的⽂件，记得修改 w h 为上⾯修改后的尺⼨值
import os
def getimage(file_dir):
images = {}
for root, dirs, files in os.walk(file_dir):
for name in files:
images[name] = os.path.join(root,name)
return images
if __name__ == '__main__':
n=0
aa = os.getcwd()
dirpath = os.path.join(aa, 'pos')
imagedic = getimage(dirpath)
#print (imagedic)
try :
for key,value in imagedic.items():
四级听力下载
with open ('','a') as f:
f.write('pos/'+str(key).rjust(3,'0')+' 1 0 0 w h''\n')
except KeyboardInterrupt:
print('暂停⼀下')
million的用法接下来就要⽤⽣成正样本⽂件了，写了⼀个批处理⽂件，新建crate_samples.bat，打开编辑
"在此处写上你的路径" -info "" -vec pos.vec -num 200 -w 60 -h 120
⼀些参数解释：above反义词
info 输⼊正样本描述⽂件
img 输⼊图像⽂件名，默认NULL
bg 负样本描述⽂件，⽂件中包含⼀系列的被随机选作物体背景的图像⽂件名，默认NULL
num ⽣成正样本的数⽬，默认1000
bgcolor 背景颜⾊，表⽰透明颜⾊，默认0
bgthresh 颜⾊容差，所有处于bgcolor- bgthresh和bgcolor+bgthresh之间的像素被置为透明像素，也就是将⽩噪声加到前景图像上，默认80
inv 前景图像颜⾊翻转标志，如果指定颜⾊翻转，默认0(不翻转)
randinv 如果指定颜⾊将随机翻转，默认0
英语商标maxidev 前景图像中像素的亮度梯度最⼤值，默认40
maxxangle X轴最⼤旋转⾓度，以弧度为单位，默认1.1
maxyangle Y轴最⼤旋转⾓度，以弧度为单位，默认1.1
maxzangle Z轴最⼤旋转⾓度，以弧度为单位，默认0.5
输⼊图像沿着三个轴进⾏旋转，旋转⾓度由上述3个值限定。
show 如果指定，每个样本都将被显⽰，按下Esc键，程序将继续创建样本⽽不在显⽰，默认为0(不显⽰)
scale 显⽰图像的缩放⽐例，默认4.0
w 输出样本宽度，默认24
h 输出样本⾼度，默认24
vec 输出⽤于训练的.vec⽂件
负样本cbd是什么意思
负样本只需要⽣成路径⽂件，不需要⽣成vec⽂件，具体步骤跟上⾯类似，要注意的是负样本要尽可能⽐正样本多，⼤概⼗倍的样⼦吧。
开始训练
新建⼀个⽂件夹TrainCascadeClassification，⼀会训练好的⽂件就在这⾥
新建⼀个train.bat，编辑
"你的⽬录" -data "你的TrainCascadeClassification⽬录" -vec pos.vec - -numPos 160 -numNeg 500 -numStages 15 -precalcValBufSize 3000 -precalcIdxBufSize 3000 -featureType LBP -w 60 -h 120
Pau
⼀些参数解释
cnn在线收听
data 训练的分类器的存储⽬录
vec 正样本⽂件，由⽣成，正样本⽂件后缀名为.vec
bg 负样本说明⽂件，主要包含负样本⽂件所在的⽬录及负样本⽂件名
numPos 每级分类器训练时所⽤到的正样本数⽬，应⼩于vec⽂件中正样本的数⽬，具体数⽬限制条件为：numPos+(numStages-
1)numPos(1- minHitRate)<=vec⽂件中正样本的数⽬。根据我的经验，⼀般为正样本⽂件的80%
numNeg 每级分类器训练时所⽤到的负样本数⽬，可以⼤于- bg指定的图⽚数⽬。根据我的经验，⼀般为numPos的2-3倍
numStages 训练分类器的级数，强分类器的个数。根据我的经验，⼀般为12-20
precalcValBufSize 缓存⼤⼩，⽤于存储预先计算的特征值，单位MB，根据⾃⼰内存⼤⼩分配
precalcIdxBufSize 缓存⼤⼩，⽤于存储预先计算的特征索引，单位MB，根据⾃⼰内存⼤⼩分配
featureType 训练使⽤的特征类型，⽬前⽀持的特征有Haar，LBP和HOG
w 训练的正样本的宽度
h 训练的正样本的⾼
进阶参数
minHitRate 影响每个强分类器阈值，每⼀级分类器最⼩命中率，表⽰每⼀级强分类器对正样本的的分类准确率
maxFalAlarm 最⼤虚警率，影响弱分类器的阈值，表⽰每个弱分类器将负样本误分为正样本的⽐例，⼀般默认值为0.5
weightTrimRate 0- 1之间的阈值，影响参与训练的样本，样本权重更新排序后(从⼩到⼤)，从前⾯累计权重⼩于(1- weightTrimRate)的样本将不参与下⼀次训练，⼀般默认值为0.95
maxDepth 每⼀个弱分类器决策树的深度，默认是1，是⼆叉树(stumps)，只使⽤⼀个特征。
maxWeakCount 每级强分类器中弱分类器的最⼤个数，当FA降不到指定的maxFalAlarm时可以通过指定最⼤弱分类器个数停⽌单个强分类器
这个时候先看⼀下我们的⼯作⽬录下都有那些东西，没有的话，记得补全它。
⼯作⽬录
调控情绪然后打开train.bat，等着就可以了，训练结束后，会得到⾃⼰的xml⽂件，就可以调⽤了。
