位置: IT常识 - 正文
opencv训练自己的模型，实现特定物体的识别(opencv训练模型教程)
编辑：rootadminopencv训练自己的模型，实现特定物体的识别 1.说明opencv安装包中有训练好的分类器文件，可以实现人脸的识别。当然，我们也可以训练自己的分类器文件，实现对特定物体的识别。本文章就详细介绍下如何训练自己的分类器文件。2.效果我训练的是检测苹果的的分类器文件，可以实现对苹果的识别。 3.准备3.1 程序准备训练自己的分类器文件，需要用到两个程序 : opencv_createsamples.exe和opencv_traincascade.exeopencv最新的安装包中没有这两个程序，我们可以下载 3.4.14这个版本的安装包进行安装。opencv安装包 : opencv-3.4.14-vc14_vc15.exe安装完成后，在这个目录下就会有这两个程序文件 opencv\build\x64\vc15\bin3.2 样本数据准备
本文链接地址:https://www.jiuchutong.com/zhishi/297605.html
转载请保留说明！
推荐整理分享opencv训练自己的模型，实现特定物体的识别(opencv训练模型教程)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:opencv训练模型教程,opencv自学,opencv训练xml,opencv训练模型教程,opencv训练模型教程,opencv训练模型教程,opencv 训练自己的svm,opencv训练模型教程,内容如对您有帮助，希望把文章链接给更多的朋友！
正样本数据 : 也就是我们需要检测的物体图片，可以自己用手机拍摄下你要检测的物体的图片，多拍摄一些不同角度的图片。
我的正样本数据在这个目录下 image\positive\img，大概有50多张图片
然后在image\positive目录下新建一个info.dat文件，在其中记录正样本图片信息
参数介绍
img/1.jpg : 文件路径和文件名1：表示图片中有几个目标物体，一般一个就行了0，0：目标物体起始坐标1280，1706：目标物体大小负样本数据：不包含我们要检测物体的图片，可以拍摄一些风景之类的图片，尽量多一些。
我的负样本数据在这个目录下 image\negitive\img
然后在image\negitive目录下新建一个bg.txt文件，在其中记录负样本图片信息
负样本图片信息我们只需记录路径和文件名就行了，但是这里要注意，路径名要写绝对路径，后面会说为什么。
3.3 正样本VEC文件创建训练样本之前先要生成vec文件，要用到opencv_createsamples.exe程序opencv_createsamples.exe部分参数介绍 [-info <collection_file_name>] # 记录样本数据的文件(就是我们刚才创建的info.data文件) [-img <image_file_name>] [-vec <vec_file_name>] # 输出文件，内含用于训练的正样本。 [-bg <background_file_name>] # 背景图像的描述文件 [-num <number_of_samples = 1000>] #样本数量（默认为1000） [-bgcolor <background_color = 0>] #指定背景颜色 [-w <sample_width = 24>]#输出样本的宽度（以像素为单位） [-h <sample_height = 24>]#输出样本的高度（以像素为单位）参考
在安装包的这个目录下opencv\build\x64\vc15\bin可以找到opencv_createsamples.exe程序，我们生成下vec文件D:\opencv3.4.12\opencv\build\x64\vc15\bin\opencv_createsamples.exe -info C:\Users\lng\Desktop\image\positive\info.dat -vec C:\Users\lng\Desktop\image\sample.vec -num 58 -bgcolor 0 -bgthresh 0 -w 24 -h 24在image目录下就生成了vec文件 4.样本数据训练完成上面的准备工作，就可以开始训练样本。训练样本需要用到opencv_traincascaded.exe程序opencv_traincascaded.exe程序部分参数介绍 -data <cascade_dir_name> #目录名，如不存在训练程序会创建它，用于存放训练好的分类器 -vec <vec_file_name> #包含正样本的vec文件名 -bg <background_file_name> #背景描述文件 [-numPos <number_of_positive_samples = 2000>] #每级分类器训练时所用的正样本数目 [-numNeg <number_of_negative_samples = 1000>] #每级分类器训练时所用的负样本数目 [-numStages <number_of_stages = 20>] #训练的分类器的级数--cascadeParams-- [-featureType <{HAAR(default), LBP, HOG}>] # 特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征 [-w <sampleWidth = 24>] #训练样本的尺寸（单位为像素） [-h <sampleHeight = 24>] #训练样本的尺寸（单位为像素）--boostParams-- [-minHitRate <min_hit_rate> = 0.995>] #分类器的每一级希望得到的最小检测率 [-maxFalseAlarmRate <max_false_alarm_rate = 0.5>] #分类器的每一级希望得到的最大误检率参考
在安装包的这个目录下opencv\build\x64\vc15\bin可以找到opencv_traincascade.exe程序，开始训练样本这里注意下指定-bg参数时，文件名前不能加路径，所以需要把刚才在image\negitive下创建的bg.txt文件拷贝到opencv_traincascade.exe程序所在目录下，所以要在bg.txt写负样本图片的绝对路径。指定numPos参数时，因为每个阶段训练时有些正样本可能会被识别为负样本，故每个训练阶段后都会消耗一定的正样本。因此，此处使用的正样本数量绝对不能等于或超过positive文件夹下的正样本个数，一般留有一定的余量指定-numNeg参数时，可以多于negitive目录下的负样本数量D:\opencv3.4.12\opencv\build\x64\vc15\bin\opencv_traincascade.exe -data C:\Users\lng\Desktop\image -vec C:\Users\lng\Desktop\image\sample.vec -bg bg.txt -numPos 50 -numNeg 500 -numStages 12 -feattureType HAAR -w 24 -h 24 -minHitRate 0.995 -maxFalseAlarmRate 0.5执行结果PARAMETERS:cascadeDirName: C:\Users\lng\Desktop\imagevecFileName: C:\Users\lng\Desktop\image\sample.vecbgFileName: bg.txtnumPos: 50numNeg: 500numStages: 12precalcValBufSize[Mb] : 1024precalcIdxBufSize[Mb] : 1024acceptanceRatioBreakValue : -1stageType: BOOSTfeatureType: HAARsampleWidth: 24sampleHeight: 24boostType: GABminHitRate: 0.995maxFalseAlarmRate: 0.5weightTrimRate: 0.95maxDepth: 1maxWeakCount: 100mode: BASICNumber of unique features given windowSize [24,24] : 162336===== TRAINING 0-stage =====<BEGINPOS count : consumed 50 : 50NEG count : acceptanceRatio 500 : 1Precalculation time: 0.581+----+---------+---------+| N | HR | FA |+----+---------+---------+| 1| 1| 1|+----+---------+---------+| 2| 1| 0.05|+----+---------+---------+END>Training until now has taken 0 days 0 hours 0 minutes 1 seconds.===== TRAINING 1-stage =====<BEGINPOS count : consumed 50 : 50NEG count : acceptanceRatio 500 : 0.084832Precalculation time: 0.576+----+---------+---------+| N | HR | FA |+----+---------+---------+| 1| 1| 1|+----+---------+---------+| 2| 1| 0.146|+----+---------+---------+END>Training until now has taken 0 days 0 hours 0 minutes 3 seconds.===== TRAINING 2-stage =====<BEGINPOS count : consumed 50 : 50NEG count : acceptanceRatio 500 : 0.0149993Precalculation time: 0.592+----+---------+---------+| N | HR | FA |+----+---------+---------+| 1| 1| 1|+----+---------+---------+| 2| 1| 0.186|+----+---------+---------+END>Training until now has taken 0 days 0 hours 0 minutes 5 seconds.===== TRAINING 3-stage =====<BEGINPOS count : consumed 50 : 50NEG count : acceptanceRatio 500 : 0.00288033Precalculation time: 0.652+----+---------+---------+| N | HR | FA |+----+---------+---------+| 1| 1| 1|+----+---------+---------+| 2| 1| 0.298|+----+---------+---------+END>Training until now has taken 0 days 0 hours 0 minutes 7 seconds.===== TRAINING 4-stage =====<BEGINPOS count : consumed 50 : 50NEG count : acceptanceRatio 500 : 0.000768845Precalculation time: 0.615+----+---------+---------+| N | HR | FA |+----+---------+---------+| 1| 1| 1|+----+---------+---------+| 2| 1| 1|+----+---------+---------+| 3| 1| 0.366|+----+---------+---------+END>Training until now has taken 0 days 0 hours 0 minutes 11 seconds.===== TRAINING 5-stage =====<BEGINPOS count : consumed 50 : 50NEG count : acceptanceRatio 500 : 0.000375057Precalculation time: 0.61+----+---------+---------+| N | HR | FA |+----+---------+---------+| 1| 1| 1|+----+---------+---------+| 2| 1| 1|+----+---------+---------+| 3| 1| 0.366|+----+---------+---------+END>Training until now has taken 0 days 0 hours 0 minutes 15 seconds.===== TRAINING 6-stage =====<BEGINPOS count : consumed 50 : 50NEG count : acceptanceRatio 2 : 0.00016276Required leaf false alarm rate achieved. Branch training t训练完成后，在img目录下就会生成以下文件。 cascade.xml就是我们需要的分类器文件，其他都是过程文件。5.测试代码main.cpp#include <iostream>#include <opencv2/opencv.hpp>char* face_cascade_name = "C:\\Users\\lng\\Desktop\\image\\cascade.xml";void faceRecongize(cv::CascadeClassifier faceCascade, cv::Mat frame);int main(){ cv::VideoCapture *videoCap = new cv::VideoCapture;cv::CascadeClassifier faceCascade; // 加载苹果分类器文件if (!faceCascade.load(face_cascade_name)) {std::cout << "load face_cascade_name failed. " << std::endl;return -1;} // 打开摄像机videoCap->open(0);if (!videoCap->isOpened()) {videoCap->release();std::cout << "open camera failed"<< std::endl; return -1;}std::cout << "open camera success"<< std::endl; while(1){cv::Mat frame;//读取视频帧videoCap->read(frame);if (frame.empty()) {videoCap->release();return -1;} //进行苹果识别faceRecongize(faceCascade, frame); //窗口进行展示 imshow("face", frame); //等待回车键按下退出程序if (cv::waitKey(30) == 13) {cv::destroyAllWindows();return 0;} } system("pause"); return 0;}void faceRecongize(cv::CascadeClassifier faceCascade, cv::CascadeClassifier eyesCascade, cv::CascadeClassifier mouthCascade, cv::Mat frame) {std::vector<cv::Rect> faces; // 检测苹果faceCascade.detectMultiScale(frame, faces, 1.1, 2, 0 | cv::CASCADE_SCALE_IMAGE, cv::Size(30, 30));for (int i = 0; i < faces.size(); i++) { // 用椭圆画出苹果部分 cv::Point center(faces[i].x + faces[i].width / 2, faces[i].y + faces[i].height / 2);ellipse(frame, center, cv::Size(faces[i].width / 2, faces[i].height / 2), 0, 0, 360, cv::Scalar(255, 0, 255), 4, 8, 0);cv::Mat faceROI = frame(faces[i]);std::vector<cv::Rect> eyes; // 苹果上方区域写字进行标识cv::Point centerText(faces[i].x + faces[i].width / 2 - 40, faces[i].y - 20);cv::putText(frame, "apple", centerText, cv::FONT_HERSHEY_SIMPLEX, 1, cv::Scalar(0, 0, 255), 2);}}CMakeListscmake_minimum_required (VERSION 3.5)project (faceRecongize2015)MESSAGE(STATUS "PROJECT_SOURCE_DIR " ${PROJECT_SOURCE_DIR})SET(SRC_LISTS ${PROJECT_SOURCE_DIR}/src/main.cpp)set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")#set(CMAKE_AUTOMOC ON)#set(CMAKE_AUTOUIC ON)#set(CMAKE_AUTORCC ON)# 配置头文件目录include_directories(${PROJECT_SOURCE_DIR}/src)include_directories("D:\\opencv3.4.12\\opencv\\build\\include")include_directories("D:\\opencv3.4.12\\opencv\\build\\include\\opencv2")# 设置不显示命令框if(MSVC)#set(CMAKE_EXE_LINKER_FLAGS "${CMAKE_EXE_LINKER_FLAGS} /SUBSYSTEM:WINDOWS /ENTRY:mainCRTStartup")endif()# 添加库文件set(PRO_OPENCV_LIB "D:\\opencv3.4.12\\opencv\\build\\x64\\vc15\\lib\\opencv_world3412.lib" "D:\\opencv3.4.12\\opencv\\build\\x64\\vc15\\lib\\opencv_world3412d.lib")IF(WIN32) # 生成可执行程序ADD_EXECUTABLE(faceRecongize2015 ${SRC_LISTS})# 链接库文件 TARGET_LINK_LIBRARIES(faceRecongize2015 ${PRO_OPENCV_LIB})ENDIF()6.编译说明我的opencv 3.4.12的安装路径是 D:\opencv3.4.12目录结构- src - mian.cpp- build_x64- CMakeLists编译命令, 在build_x64目录下执行cmake -G "Visual Studio 14 2015 Win64" ..cmake --build ./ --config Release编译完成后拷贝D:\opencv3.4.12\opencv\build\x64\vc15\bin目录下的opencv_world3412.dll和opencv_world3412d.dll到可执行程序目录下。备注经过测试，自己训练的样本，准确度还是比较差的。可能是正样本数据太少，且图片背景占据位置较多。要提高准确度，首先增加正样本图片数量，还要就是尽量让你的目标物体占满整个图片，不要留有太多的背景。而且也要有尽可能多的负样本数据。上一篇：基于yoloV7添加关键点训练记录(yolov5 教程)
