OpenCV训练自己的物体检测分类器步骤

环境：python3.7  OpenCV3.4.3.18

工具：

opencv_annotation.exe

opencv_createsamples.exe

opencv_traincascade.exe

环境和工具下载安装

OpenCV库在cmd下终端命令
 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-contrib-python==3.4.3.18
包括了OpenCV主要模块以及OpenCV贡献库
工具在GitHub上下载
https://github.com/opencv/opencv/releases?after=3.4.3

安装OpenCV后在以下目录

一、准备阶段

 文件模板

 positive_images放置正样本图片、negative_image放置负样本图片、xml为训练好的分类器文件

样本收集

正样本：我们想要正确分类出的类别所对应的样本，例如，我们要对一张图片进行分类，以确定其是否属于菠萝，那么在训练的时候，菠萝的图片则为正样本。

负样本：不是我们想要的分类对应的样本，就是除了菠萝的图片

样本数据越多检测效果越好，正样本的特征越明显越好，负样本背景越复杂越好。

1、去www.kaggle.com下载想要的数据集或者使用scrapy+selenium批量爬取图片

2、自己拍摄想要检测物体的图片

二、预处理

图像的注水处理：通过自动对图像的旋转、平移、缩放从而增加样本数量

比如：通过旋转

"path是图片路径，执行后，会在同一目录下生成11张依次旋转30度的图片"def spin(path):       retval=cv2.imread(path)    he,we=retval.shape[:2]    for x in range(1,12):        M=cv2.getRotationMatrix2D(center=(we/2,he/2),angle=x*30,scale=1)        M=cv2.warpAffine(retval,M,(we,he))        new_path=path[:-3]+"-spin"+str(x)+".jpg"        #print(new_path)        cv2.imwrite(new_path,M)

 调节亮度：

"path是图片路径，执行后会在同一目录下生成五张亮度依次递增的图片"def light(path):    retval=cv2.imread(path)    img_hsv = cv2.cvtColor(retval, cv2.COLOR_BGR2HSV)    darker_hsv = img_hsv.copy()    for y in range(1,6):        darker_hsv[:, :, 2] = darker_hsv2[:, :, 2]+2*y        darker_img = cv2.cvtColor(darker_hsv, cv2.COLOR_HSV2BGR)        new_path=path[:-3]+"-light+"+str(x)+"ipg"        cv2.imwrite(new_path, darker_img)

图像大小统一处理（40*40）：

批量重命名文件夹中的图片文件

import osfrom PIL import Imageclass BatchRename():    def __init__(self):        self.path = r"./positive_images"     def rename(self):        filelist = os.listdir(self.path)        total_num = len(filelist)        i = 0        for item in filelist:            if item.endswith(".jpg"):                src = os.path.join(os.path.abspath(self.path), item)                print(src)                dst = os.path.join(os.path.abspath(self.path), str(i) + ".jpg")                try:                    os.rename(src, dst)                    print ("converting %s to %s ..." % (src, dst))                    i = i + 1                except :                    continue        print ("total %d to rename & converted %d jpgs" % (total_num, i)) if __name__ == "__main__":    demo = BatchRename()    demo.rename()    pass

执行后 

批量修改图片尺寸

from PIL import Imageimport os.pathimport globdef convertjpg(jpgfile,outdir,width=40,height=40):    img=Image.open(jpgfile)    try:        new_img=img.resize((width,height),Image.BILINEAR)           new_img.save(os.path.join(outdir,os.path.basename(jpgfile)))    except Exception as e:        print(e)for jpgfile in glob.glob(r"./positive_images/*.jpg"):    #像素修改后存入images文件    convertjpg(jpgfile,r"./positive_images")

三、生成样本描述文件

生成正样本描述文件可以利用标注工具opencv_annotation.exe

opencv_annotation.exe的使用,在当前目录cmd下输入opencv_annotation.exe可以看到是使用说明

 比如：opencv_annotation.exe -a=生成的pos.txt路径 -i=正样本文件夹路径

用鼠标左键标记进行矩形框选想要识别的物体 

 英文下，’c"是确认框选，"d"删除所选的框，"n"是下一张，"esc"是停止。

如果图片中只有一个物体，可直接生成描述文件（尽量自己用opencv_annotation标注，效果更好）

file_dir=os.getcwd()print(file_dir)file_dir=r"./positive_images"L=[]i=0with open(r"./pos.txt","w+") as f:    for root, dirs, files in os.walk(file_dir):        for file in files:              if os.path.splitext(file)[1] == ".jpg":                L.append(os.path.join(root, file))                f.write(L[i]+" 1"+" 0"+" 0"+" 40"+" 40"+"/n")                i+=1

生成pos.txt 

生成负样本描述文件(不用进行标注)

file_dir=r"./negative_image"L=[]i=0with open(r"./neg.txt","w+") as f:    for root, dirs, files in os.walk(file_dir):          for file in files:              if os.path.splitext(file)[1] == ".jpg":                  L.append(os.path.join(root, file))                f.write(L[i]+"/n")                i+=1print("ok")

生成neg.txt

四、 合成样本vec文件

这里只需要合成正样本vec文件，负样本不需要，这里使用opencv_createsamples.exe

opencv_createsamples.exe的使用,在当前目录cmd下输入opencv_createsamples.exe可以看到是使用说明

 比如opencv_createsamples.exe -vec pos.vec  -info pos.txt -num 50 -w 40 -h 40

-vec　　参数代表.vec文件的存储位置；

-info　　代表生成的annotation的位置；

-num　　生成的正样本的数目

-w 窗口的宽度；-h 窗口的高度；

 结束之后在当前目录下生成pos.vec文件

五、训练模型

训练模型使用opencv_traincascade.exe

opencv_traincascade.exe的使用,在当前目录cmd下输入opencv_traincascade.exe可以看到是使用说明

 比如：opencv_traincascade.exe -data xml -vec pos.vec -bg neg.txt -numPos 10 -numNeg 2000 -numStages 15 -w 40 -h 40 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -mode ALL

-data：指定保存训练结果的文件夹；

-vec:指定正样本集；

-bg:指定负样本的描述文件夹;

-numPos：指定每一级参与训练的正样本的数目（要小于正样本总数）；

-numNeg:指定每一级参与训练的负样本的数目（可以大于负样本图片的总数）；

-numStage:训练的级数；

-w:正样本的宽；-h:正样本的高；(必须与opencv_createsample中使用的-w和-h值一致)

-minHitRate:每一级需要达到的命中率（一般取值0.95-0.995）；

-maxFalseAlarmRate:每一级所允许的最大误检率；

-mode:使用Haar-like特征时使用，可选BASIC、CORE或者ALL；(ALL使用垂直和45度角旋转特征。)

（这个截图是训练好模型后，再次运行opencv_traincascade.exe的结果）

 训练好分类器的文件在xml文件夹下

六、测试模型

import numpy as npimport cv2#加载级联器pineapple_cascade = cv2.CascadeClassifier(r"xml/cascade.xml")#检测def detect(image):    #将图像转变为灰度图像    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)    #调用级联器    pineapples = face_cascade.detectMultiScale(gray,                                         scaleFactor=1.15,                                         minNeighbors=5,                                         minSize=(10, 10))    print(pineapples)    print("发现{0}个菠萝!".format(len(pineapples)))    #绘制出菠萝区域    for (x, y, w, h) in pineapples:        cv2.circle(image, (int((x + x + w) / 2), int((y + y + h) / 2)),                   int(w / 2), (0, 255, 0), 2)    return imageretval=cv2.imread(r"test.jpg")image=detect(retval)cv2.imwrite("detect.jpg",image)

 运行后生成检测后的图片detect.jpg（这里只是个展示，样本少，效果不是很好）

 以上只是一个简单的训练步骤展示，供参考学习使用