训练分类器，并且用训练好的分类器进行花朵的检测

利用Haar特征，结合级联分类器进行花朵检测，整体思路分为5大步：1 准备昙花、非昙花样本集 2 计算特征值和积分图 3 挑选最优分类器 4 利用Adaboost把这些分类器训练成一个强分类器 5 级联，也就是所谓的强强联手。本文选用窗口是20×20，从这些很多的特征，筛选出有用的特征（即最优弱分类器），然后将这些最优弱分类器训练成一个弱分类器，最后将强分类器进行级联。

集成开发环境(IDE):Anaconda 4.3.30 Python 3.5.3 Opencv 4.5.0
方法:
opencv_createsamples,opencv_traincascade,haar特征+cascade分类器
目标检测分为三个步骤：样本的创建 训练分类器 利用训练好的分类器进行目标检测。
本文花朵图片的来源有3个：1 在网上一张一张下载图片 2 按关键字从百度图片上爬取图片 3 自己拍摄的图片

样本的创建
1 首先，把照片的原图放在pos原图和neg原图文件夹下，把经过美图秀秀软件修改后的图片放在pos和neg文件夹下。图片的格式是jpg，把图片的长，宽变成20，20，把昙花当做正样本，把除昙花以外的花朵当作负样本，其中，正样本有350张，负样本有8367张, pos和neg分别是图片的正样本，负样本，pos正样本如图1所示。

neg负样本如图所示。

2 训练分类器
把Opencv_createsamples.exe和Opencv_traincascade.exe放到同一文件夹下面

3 生成正样本描述文件和负样本描述文件
使用cmd进入到pos目录下，执行

执行完后可在pos文件夹中找到pos.txt，打开记事本，删去pos.txt，将文件改成如下格式。

参数说明：1 表示图片中只有一个要识别的目标。0 0 20 20是待识别物体在图片中的位置
使用cmd进入到neg目录下，执行
生成负样本描述文件，删掉neg.txt
4 生vec文件
使用cmd进入opencv_createsamples.exe目录下，执行

opencv_createsamples.exe -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -w 20 -h 20