2019獨角獸企業重金招聘python工程師標準》
當然了，作為有理想有抱負的碼農，用現成的分類器是不會滿足的。現實使用中我們經常需要訓練針對各種應用的分類器。下面介紹如何訓練乙個自己的級聯分類器。整個過程大致可分為以下幾步（基於opencv 2.4.4）：
1. 收集資料
資料可分為正樣本和負樣本。正樣本即要檢測的目標，負樣本則不包含目標。
首先我們要生成正負樣本的索引（或稱描述檔案）。正樣本描述檔案官方文件中給了例子：
依次為檔名，目標個數，目標座標。既然是基於統計的方法，樣本自然要求很多（一般以千為單位），因此很多時候這一步是勞力活。當然，勤勞勇敢的碼農們寫了各種工具來解放生產力。這些描述檔案可以人肉生成，也可用object marker（來圈，然後自動生成。除此之外還有些其它工具：
另外後面會講到的createsamples工具還可以自動生成正樣本。
負樣本沒這麼麻煩了，描述檔案只要包含檔案路徑即可，windows中可以用dir /s /b生成，linux下用find命令。
2. 建立vec檔案
createsamples 工具可用於從正負樣本描述檔案生成訓練程式需要的vec檔案。如根據樣本描述檔案samples.txt生成samples.vec：
opencv_createsamples.exe -info samples.txt -vec samples.vec -w 20 -h 20
它還包含乙個功能，通過distortion自動生成樣本。如根據template.png和負樣本描述檔案negative.txt生成3000個樣本。
opencv_createsamples.exe -img template.png -vec -num 3000 -bg negative.txt -vec samples.vec -w 20 -h 20
還有種很尷尬的情況，就是既沒空圈那麼多的正樣本，又想檢測多種目標，咋辦？因為上面提到的通過distortion來自動生成樣本的方法不支援多個目標。一種方法是先根據多個目標生成多個vec檔案，再用mergevec（這個工具合併vec檔案。mergevec用最新的opencv編譯不了，如果你和我一樣懶不想移植的話就下個opencv 1.0（就下可執行檔案包，3m多那個），把那坨dll放到path裡，然後下mergevec.exe就可以跑了。如根據template1.png ~ template3.png分別生成三個vec檔案：
opencv_createsamples.exe -img template1.png -num 1000 -bg negative -vec sample1.vec -w 20 -h 20
opencv_createsamples.exe -img template2.png -num 1000 -bg negative -vec sample2.vec -w 20 -h 20
opencv_createsamples.exe -img template3.png -num 1000 -bg negative -vec sample3.vec -w 20 -h 20
接著寫vec的索引檔案sample.txt：
sample1.vec
sample2.vec
sample3.vec
然後就可以生成最終的samples.vec檔案了：
mergevec.exe sample.txt samples.vec -w 20 -h 20
另外，如果你的應用比較general，如從自然背景中找特定目標，網上有現成的負樣本資料集：
svn checkout tutorial-haartraining-read-only
3. 訓練分類器
很多地方還是用haartraining，官方手冊中建議用新的traincascade。用法上引數什麼的都差不多，不過還是有差別。
根據剛才生成的樣本描述檔案進行訓練，結果放在classifier目錄裡：
opencv_traincascade.exe -data classifier -vec samples.vec -bg negative.txt -numstages 25 -w 20 -h 20
其餘有一坨引數，諸如maxfalsealarmrate，minhitrate等想設就設下，不過預設的值大多數情況都是挺好的選擇。
-featuretype指定特徵型別，預設為類haar特徵，還可以指定為lbp或hog。基於haar的級聯分類器訓練時間一般很長（以天為單位）。lbp，hog則快得多。
注意這畢竟不是產品，很多時候引數一給不好就掛掉了。當然直接掛掉是最好的情況，最慘的是跑到中間hung住了，都不知道是因為hung住了還是因為訓練時間長。。。
注：無論是haartraining還是traincascade，最終都會生成表示成xml檔案的分類器。但如果你用的是haartraining並且想用中間stage生成的分類器，可以用convert_cascade將中間結果整成xml檔案。
4. 測試&驗證
performance.exe可以對於給定的測試用例給出檢測率報告。注意只對opencv_haartraining的結果適用。如果要寫報告給資料這個很有用。不過這裡先不整這麼抽象的東西，先寫個程式直觀地看看檢測效果如何。官方例程中的objectdetection是從攝像頭抓幀進行檢測。這裡我們略微修改下從檔案讀取然後檢測目標。其中關鍵函式為：
void cascadeclassifier::detectmultiscale(const mat& image, vector& objects, double scalefactor=1.1, int minneighbors=3, int flags=0, size minsize=size(), size maxsize=size())
其中的引數對於檢測結果會有較大影響，如：
minneighbors：其實分類器給出的結果是很多個矩形，那些被多個矩陣覆蓋的區域被保留，而那些個孤立的矩陣被拋棄。這個引數決定了保留還是拋棄的閾值。(
minsize ：檢測目標size的閥值，小於它的不會被檢測出來。
這裡拿」憤怒的小鳥「作個簡單的例子，因為每個關卡中籠子裡的鳥雖不完全相同，但都類似。這裡以一關中籠子中的鳥為訓練正樣本，讓其學習並檢測其它關卡中哪些是籠中鳥。
在一些case中還是有不少false alarm的。直觀上可能會覺得這種動畫的檢測會更容易，但動畫由於背景形狀規則，色塊均勻，作為負樣本並不好，所以負樣本盡可能還是要取得變化豐富些。
基於級聯分類器的目標檢測objdect
opencv支援的目標檢測的方法是利用樣本的haar特徵進行的分類器訓練，得到的級聯boosted分類器 cascade classification 注意，新版本的c 介面除了haar特徵以外也可以使用lbp特徵。先介紹一下相關的結構，級聯分類器的計算特徵值的基礎類featureevaluator...
基於Opencv的多目標跟蹤
python實現 import cv2 import sys major ver,minor ver,subminor ver cv2.version split print major ver,minor ver,subminor ver if name main 建立 boosting mil ...
基於Halcon的多目標模板匹配演算法
1.基於灰度值的模板匹配基本原理 模板匹配，顧名思義，需要乙個模板。然後在影象中尋找與模板能匹配得上的區域。halcon中，基於灰度值的模板匹配的演算法中，演算法的基本原理比較簡單，就是簡單的灰度比對。找出灰度值與模板區域相近的區域作為找到的目標區域，具體演算法如下 即，當error滿足閾值時，則該...