因为网上有很多脸部识别教程，所以有脸部识别分类器，所以不需要自己训练，识别度也很高。 但是，最近想在草莓派和OpenCV的环境下进行某些物体的识别，所以要训练特定的分类器。 过程并不难，比较繁琐，跟上就OK了。 以下是用苹果识别的例子。
Linux环境下Opencv分类器训练(基于草莓派和Opencv的物体识别)一、环境配置二、样本采集与处理1、正样本采集2、负样本采集3、正负样本描述文件生成三、训练分类器四、生成的xml文件
如果以前安装过OpenCV，系统将跳过以下几个步骤，从而节省大量时间。
sudoaptinstallibopencv-dev python-opencvsudoaptinstallbuild-essentialsudoaptinstallcmakegitlibgtk 2.0-dev pkg-configligligligttk install python-dev python-numpylibtbb2lib TB B- dev libjpeg-dev libpng-dev libtiff-dev libtiff-dev
将cdmkdir opencv_workspace和opencv源代码下载到当前目录。
CD opencv _ workspacegitclone 3359 github.com/its EEZ/opencv.git是在此环境中配置的。
二、采集和处理样品所需的图像数据分为正样本和负样本。 加样是苹果的照片。 (加样本的数量因情况而异，对于人脸等复杂图像，加样本的数量应该较多，但对于简单的样本识别，加样本数个就足够了。 加样越多越好，但收集起来很辛苦。 ) ) ) )。
1、收集正样本并在opencv_workspace文件夹下建立文件夹pos，将正样本放在pos下
将正面的示例图像转换为灰度，并将其剪切为适当的大小，以便于后续处理。 1 .创建py文件，并将其放入以下代码中执行：
import c v2 foriinrange (1，6 ) :# )照片img=cv2.imread('pos/'str ).jpg )、cv2.IMREAD_GRAYSCALE ) ) 效果如下
2、收集负样本对于负样本，不包含正样本图像即可，期望识别场景的图像。 负样本下载链接：https://pan.Baidu.com/s/1 tgyauhuggktrzuwbfonuwq提取代码： j5q2，下载后，如图所示，2000张以上已经进行了灰度处理。
请将负示例文件夹neg放在opencv_workspace文件夹下。
3、正负样本描述文件生成正样本描述文件，生成2.py文件，并复制以下代码
importosdefcreate _ pos _ n _ neg (: for file _ typein [ ' pos ' ] : #在此修改pos或neg将生成正负示例的描述文件。 pos是修改的示例描述文件info.txtforimginos.list dir (file _ type ) :if ) file _ type=' neg ' (3360 line=file _ type ) “iin”即“a”ASF : f.write (line ) elif (file _ type==“pos”) : line=file _ type (/“img”1050 (n ) )
生成负示例描述文件，创建3.py文件，并复制以下代码
importosdefcreate _ pos _ n _ neg (: for file _ typein [ ' neg ' ] : #此处修改pos或neg将生成正负示例描述文件。 neg是正的示例描述文件BG.txtforimginos.list dir (file _ type ) :if ) file _ type=' neg ' (: line=file _ type )
'n' with open('bg.txt', 'a') as f: f.write(line) elif (file_type == 'pos'): line = file_type + '/' + img + ' 1 0 0 50 50n' 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。
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 cv2watch_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 cv2img = 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.