python作物识别-Python-OpenCV——物体识别（TrainCascadeCl。。。.pdf

python作物识别_Python-OpenCV——物体识别

（TrainCascadeCl。。。

在上次教程Python-OpenCV——MachineLearning讲述了如何建⽴模型，进⾏训练，然后利⽤模型对新获得的照⽚进⾏预测并给出预

测值，本期教程针对某个特定的物体进⾏检测，将其标记出来，分为3个步骤，第⼀：训练特定物体，第⼆：

训练模型

级联分类器

前⼏天看到⼀个笑话，很有意思，说的是

理论就是你什么都知道但是什么都⼲不了

实践就是你什么都能⼲但是不知道为什么

我就不⼀样了，我可以理论与实践相结合——什么都⼲不了⽽且不知道为什么

开个玩笑，⽬前有很⼤⼀部分的东西都是⼈们实践得来的经验，有些东西也许很好⽤，但未必是好理论，⽐如现在的深度学习，扯远了，继

续今天的话题，到底什么是级联分类器，其实就是把分类器按照⼀定的顺序联合到⼀起。⼀个分类器也许不好⽤，没关系，我给你多加⼏

个，俗话说得好，三个臭⽪匠，顶个诸葛亮呢。

具体来说，OpenCV实现的Cascade(级联)分类器就是基于多个弱分类器对不同的特征进⾏依次处理(分类)来完成对⽬标的检测，简单的说

有多个弱分类器串起来，然后提取每个平滑窗上的不同特征，把这些特征依次放进不同的弱分类器⾥判断，如果所有的弱分类器都判断正标

签，则表⽰该该平滑窗内检测到⽬标。这样做的好处是不但通过多个弱分类器来形成⼀个强的级联分类器，⽽且可以减少运算量，⽐如当⼀

个平滑窗第⼀个特征没有通过第⼀个分类器，那么就没有必要继续运算下去，直接拒绝掉当前平滑窗，转⽽处理下⼀个平滑窗，事实上作者

的⽬的就是为了快速抛弃没有⽬标的平滑窗，从⽽达到快速检测⽬标。

本次⽤到了OpenCV的两个程序，分别是opencv_createsamples.exe和opencv_traincascade.exe，分别⽤来创建样本⽂件和训练级联

分类器。

准备训练数据

正样本

正样本就是你要检测的东西，⽐如说⾹蕉、车牌、酒瓶、红绿灯等等，你可以找相关的数据集，或者⾃⼰⼿动截图，只取你想要识别的那部

分，下⾯我给了⼀个⼩程序⽤来将你截取的图⽚都变成统⼀⼤⼩。

#改变图⽚尺⼨为统⼀⼤⼩,在当前⽬录创建⼀个名为pos的⽂件夹

#把需要统⼀尺⼨的正样本放到⾥⾯，写上尺⼨，运⾏程序就可以了，⼀般来说建议长宽在100像素⼀下，不然训练会很慢

importcv2

importos

w=**

h=**

defgetimage(file_dir):

images={}

forroot,dirs,filesinos.walk(file_dir):

fornameinfiles:

images[name]=os.path.join(root,name)

returnimages

if__name__==__main__:

n=-1

aa=os.getcwd()

dirpath=os.path.join(aa,pos)

imagedic=getimage(dirpath)

try:

forkey,valueinimagedic.items():

img=cv2.imread(value)

img1=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

img2=cv2.resize(img1,(w,h))

cv2.imwrite(pos+str(n+1).rjust(3,0)+.jpg,img2)

n+=1

exceptKeyboardInterrupt:

print(暂停⼀下)

修改完图⽚尺⼨之后，需要⽣成图⽚的路径，我也写了⼀个代码，运⾏后，会在当前⽬录⽣成⼀个如图所⽰的⽂件

pos.txt

每⼀⾏分别代表⽂件路径1代表⾥⾯有⼏个⽬标，咱们⽤的截取好的，所以只有⼀个，然后0060120分别代表着图⽚的起始像素和终

⽌像素的长宽

#会在当前⽬录⽣成⼀个如图所⽰的⽂件，记得修改wh为上⾯修改后的尺⼨值

importos

defgetimage(file_dir):

images={}

forroot,dirs,filesinos.walk(file_dir):

fornameinfiles:

images[name]=os.path.join(root,name)

returnimages

if__name__==__main__:

n=0

aa=os.getcw