在Linux环境下进行Opencv分类器的训练（基于树莓派和OpenCV的物体识别）

网上都是针对人脸识别的教程比较多，所以拥有五花百门的人脸识别分类器，因此也不必麻烦自己训练，而且识别度都挺高的。但是最近一直想在树莓派和OpenCV的环境下进行某种物体的识别，所以要训练特定的分类器，过程不难，相对繁杂，跟着走就OK，以下用苹果识别为例。

一、环境配置

如果你以前安装过OpenCV，下面一些步骤会被系统跳过，省出不少时间。

sudo apt install libopencv-dev python-opencv
sudo apt install build-essential
sudo apt install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

创建一个文件夹：

cd
mkdir opencv_workspace

然后把opencv源码下到当前目录：

cd   opencv_workspace
git clone https://github.com/Itseez/opencv.git

至此环境配置完成。

二、收集和处理样本

需要的图像数据分为正样本和负样本，正样本是一些苹果的图片（正样本的数量看情况而定，对于复杂的图像比如人脸，正样本的数量需要很多才行，而对于简单的样本识别，正样本需要几张就够了，正样本虽然越多越好，但是收集起来就得很麻烦了）

1、收集正样本

在opencv_workspace文件夹下创建文件夹pos，将正样本放到pos下

将正样本图片转为灰度图，并剪成合适的尺寸，方便后续处理。创建1.py文件，放进下面代码并运行。

import cv2
for  i in range(1,6):#批量处理照片
	img = cv2.imread('pos/'+str(i)+'.jpg',cv2.IMREAD_GRAYSCALE)#读入照片，并转灰度
	img1 = cv2.resize(img,(50,50))#调整大小
	cv2.imwrite('pos/'+str(i)+'.jpg',img1)#保存图片
print('批量转灰度成功！')

效果如下：

2、收集负样本

关于负样本，只要不含有正样本图片即可，最好是识别场景的图片。给大家一个负样本下载 链接: https://pan.baidu.com/s/1TgyAuhuggktrZuWBFonUwQ提取码：j5q2，下载后如图，2000多张，已处理好灰度。

将负样本文件夹neg放到opencv_workspace文件夹下即可。

3、正负样本描述文件生成

生成正样本描述文件，建立2.py文件，把下面代码拷贝进去

import os
def create_pos_n_neg():
    for file_type in ['pos']: #此处修改pos或neg即可生成正负样本的描述文件，pos是生成正样本描述文件info.txt
        for img in os.listdir(file_type):
            if (file_type == 'neg'):
            	line = file_type + '/' + img + '\n'
                with open('bg.txt', 'a') as f:
                    f.write(line)
            elif (file_type == 'pos'):
                line = file_type + '/' + img + ' 1 0 0 50 50\n'
                with open('info.txt', 'a') as f:
                    f.write(line)

if __name__ == '__main__':
    create_pos_n_neg()
    print('正样本描述文件info.txt已生成')

生成负样本描述文件，建立3.py文件，把下面代码拷贝进去

import os
def create_pos_n_neg():
    for file_type in ['neg']: #此处修改pos或neg即可生成正负样本的描述文件，neg是生成正样本描述文件bg.txt
        for img in os.listdir(file_type):
            if (file_type == 'neg'):
            	line = file_type + '/' + img + '\n'
                with open('bg.txt', 'a') as f:
                    f.write(line)
            elif (file_type == 'pos'):
                line = file_type + '/' + img + ' 1 0 0 50 50\n'
                with open('info.txt', 'a') as f:
                    f.write(line)

if __name__ == '__main__':
    create_pos_n_neg()
    print('正样本描述文件bg.txt已生成')

三、训练分类器

生成positives.vec文件。在当前目录打开控制台程序，输入

opencv_createsamples -info info.txt -num 50 -w 50 -h 50 -vec positives.vec

其中，-info字段填写正样本描述文件；-num制定正样本的数目；-w和-h分别指定正样本的宽和高（-w和-h越大，训练耗时越大）；-vec用于保存制作的正样本。

mkdir data #用于存储Cascade分类器数据

训练分类器

opencv_traincascade -data data -vec positives.vec -bg bg.txt -numPos 4 -numNeg 10 -numStages 16 -w 50 -h 50

字段说明如下：
-data data：训练后data目录下会存储训练过程中生成的文件
-vec positives.vec：Pos.vec是通过opencv_createsamples生成的vec文件
-bg bg.txt：bg.txt是负样本文件的数据
-numPos ：正样本的数目，这个数值一定要比准备正样本时的数目少，不然会报can not get new positive sample.
-numNeg ：负样本数目，数值可以比负样本大
-numStages ：训练分类器的级数
-w 50：必须与opencv_createsample中使用的-w值一致
-h 50：必须与opencv_createsample中使用的-h值一致
注：-w和-h的大小对训练时间的影响非常大

注意：树莓派内存较小，numPos和numNeg的数值太大会被系统终止训练，因此适当取numPos和numNeg的数值，错误如下：

训练成功则如下：

进入data文件夹下，就可以看到生成训练出来的xml文件cascade.xml。

四、使用生成的xml文件进行识别

将需要识别的照片（命名为test.jpg）放到在opencv_createsamples文件夹下，并在opencv_createsamples文件夹下创建4.py文件，拷贝以下代码进去

import cv2

watch_cascade = cv2.CascadeClassifier('/home/pi/opencv_createsamples/data/cascade.xml')#分类器路径

img = cv2.imread('test.jpg')#需要识别的照片，放到opencv_createsamples文件夹下

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

watches = watch_cascade.detectMultiScale(gray)

for (x,y,w,h) in watches:
    cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)#建立方框，(0,255,0)表示绿色

    roi_gray = gray[y:y+h,x:x+w]
    roi_color = img[y:y+h,x:x+w]

cv2.imshow('识别窗口',img)
k = cv2.waitKey(0)

运行即可，如果识别的图片太大，运行下面程序调整一下

import cv2
img = cv2.imread('test.jpg')#读入照片
img1 = cv2.resize(img,(300,300))#调整大小
cv2.imwrite('test.jpg',img1)#保存图片
print('调整成功！')

识别效果如下：

由于树莓派内存太小，训练的分类器精度还是有待提高。
有问题的下方留言，谢谢！
参考:
链接: https://www.freesion.com/article/79671247590/.
链接: https://blog.csdn.net/qq_16309049/article/details/73039567.