本文共 2229 字，大约阅读时间需要 7 分钟。

目录

---

一、从网络上下载或者自己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），所有样本的尺寸必须一致，如果不一致的或者尺寸较大的，可以先将所有样本统一缩放到100*40。posdata中的图片为车辆样本。给分类器展示的是正确的样本。

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，但最好是根据不同的项目选择不同的负样本，比如一个项目是做机场的人脸检测，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。 

二、在negdata和posdata文件夹准备好之后，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。

然后在里面输入“ 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，之后保存，将pos.txt复制到上一级目录中。

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

三、找到自己下载的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，将其复制到需要的文件夹中，与negdata、posdata并列。 

 

四、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 表明这是正样本；

        num 32 代表正样本照片数量；

       w 100  h40表示图片分辨率（宽和高）

之后在该文件夹中会出现pos.vec

之后重复该步骤，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。

五、在主文件夹下创建一个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 代表正样本照片数量   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，将后缀名改为bat。

 之后双击“traincascade.bat”。会产生如下效果

 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。处理完成之后将会在文件夹下生成一个cascade.xml。

六、 之后可以运行VS，新建一个VC++项目。输入一下代码之后进行测试。

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";  //之前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"); //需要检测的图片

    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;

}

 之后点击运行，因为设置的正负样本过少的原因，效果不是很明显。出现效果如下：

 

 

 

 

 

转载地址：https://kongchengji.blog.csdn.net/article/details/82828961 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！