之前使用Python+OpenCV实现交通路标识别，具体实现步骤及心得如下：

OpenCV训练属于自己的xml文件，需以下几个步骤：

1、首先下载[OpenCV](https://sourceforge.net/projects/opencvlibrary/files/?source=navbar)（Windows版）；

2、准备数据集，分为正样本集和负样本集；

3、生成路径，将正样本集的路径要存成 \*.vec格式；负样本集的路径不做要求，\*.txt就可以；

4、训练xml文件。

### **1、搭建环境**

OpenCV创建级联文件需要先下载[OpenCV](https://sourceforge.net/projects/opencvlibrary/files/?source=navbar)（Windows版）。

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/052e1f202dcfa46ddec874fe15487e53.png" alt="" width="700" />

 接下来傻瓜式安装操作，安装到指定路径。

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/fb82d118c02433b9d252ce7220d10e6f.png" alt="" width="88" />

安装成功后开始配置环境变量（配置环境变量比较简单，此处省略），稍后会用到OpenCV中的opencv\_createsamples.exe和opencv\_traincascade.exe文件训练级联文件，我的安装路径在D盘，所以设置环境变量的路径是D:\opencv\opencv\build\x64\vc15\bin。 注意：若直接在D:\opencv\opencv\build\x64\vc15\bin路径下训练模型，可以不用配置环境变量。

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/8b96d5c11a0906fde89e32909d05df90.png" alt="" width="676" />

### **2、准备数据集**

需要准备正样本数据集（所要识别的物体）和负样本数据集（背景图片、干扰图片），数据集数量越多种类越复杂越好。

通常正样本数据裁剪为20\*20或40\*40大小的像素即可（这里我使用40\*40像素训练模型，9小时+可以训练完成），注意：像素过大训练速度相当慢，图片像素最好是正方形图片，长宽相等。

通常负样本数据集是识别物体的背景环境照片，图片越多越复杂抗干扰能力越强，负样本图片可以不用裁剪为固定大小，但是为了提升训练速度建议进行合理裁剪。

正样本图片如下：

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/003c6fb522cf4bf7740ad46db3e547c4.png" alt="" width="1151" />

 负样本图片如下：

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/937abb9a6aac831862de0055479292e7.png" alt="" width="1199" />

 为了操作方便，我写了Python程序实现批量调整图片数据大小和图片命名，具体如下：

```python
# -*- coding:utf8 -*-
import os
from PIL import Image
'''
批量重命名文件夹中的图片文件

'''
class BatchRename():
    def __init__(self):
        self.path = r'C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\positive_images'
 
    def rename(self):
        filelist = os.listdir(self.path)
        total_num = len(filelist)
        i = 0
        for item in filelist:
            if item.endswith('.jpg'):
                src = os.path.join(os.path.abspath(self.path), item)
                print(src)
                dst = os.path.join(os.path.abspath(self.path), str(i) + '.jpg')
                try:
                    os.rename(src, dst)
                    print ('converting %s to %s ...' % (src, dst))
                    i = i + 1
                except :
                    continue
        print ('total %d to rename & converted %d jpgs' % (total_num, i))
 
if __name__ == '__main__':
    demo = BatchRename()
    demo.rename()
 
'''
批量修改图片尺寸
'''
#提取目录下所有图片,更改尺寸后保存到另一目录
import os.path
import glob
def convertjpg(jpgfile,outdir,width=40,height=40):
    img=Image.open(jpgfile)
    try:
        new_img=img.resize((width,height),Image.BILINEAR)   
        new_img.save(os.path.join(outdir,os.path.basename(jpgfile)))
    except Exception as e:
        print(e)
for jpgfile in glob.glob(r"C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\positive_images\\*.jpg"):
    #像素修改后存入images文件
    convertjpg(jpgfile,r"C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\images")
```

### **3、训练级联文件**

1、首先按照要求创建训练文件夹

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/a66c5b31d7e08e9725108f85c6388b54.png" alt="" width="233" />

negative\_images文件夹存放负样本图片。

positive\_images文件夹存放正样本图片。

xml文件夹存放稍后生成的xml级联文件。

opencv\_createsamples.exe负责生成\*.vec文件。

opencv\_traincascade.exe负责训练级联文件模型。

另外我还写了两个Python文件负责批量处理图片命名、尺寸缩小和生成对应的txt文件。

2、生成指定的txt文件路径

执行这一步之前保证文件已经命名规范，尺寸缩小到合适大小。

运行生成txt文件.py文件，生成对应的正样本路径和负样本路径文件，效果如下：

文件夹结构如下：

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/71426450ff7658e9138b5d8e84d09b57.png" alt="" width="246" />

正样本路径文件（pos.txt）格式如下：

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/9a00ba82f05ac51e0cfb5c619bd90207.png" alt="" width="600" />

正样本路径文件（neg.txt）格式如下：

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/e09b889542e593f6159b5cee4f3eec07.png" alt="" width="600" />

 生成对应的txt文件Python代码如下：

```python
import os
'''
正样本数据生成txt文件
'''
file_dir=os.getcwd()
file_dir=r'C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\positive_images'
L=[]
i=0
with open("pos.txt","w+") as f:
    for root, dirs, files in os.walk(file_dir):  
        for file in files:  
            if os.path.splitext(file)[1] == '.jpg':  
                L.append(os.path.join(root, file))
                f.write(L[i]+' 1'+' 0'+' 0'+' 40'+' 40'+'\n')
                i+=1
'''
负样本数据生成txt文件
'''
file_dir=r'C:\Users\Administrator\Desktop\opencv-haar-classifier-training-master\negative_images'
L=[]
i=0
with open("neg.txt","w+") as f:
    for root, dirs, files in os.walk(file_dir):  
        for file in files:  
            if os.path.splitext(file)[1] == '.jpg':  
                L.append(os.path.join(root, file))
                f.write(L[i]+'\n')
                i+=1  
```

 3、获取正样本矢量集vec文件

在文件夹下新建createsamples.bat，批处理文件，内容如下：

```cobol
opencv_createsamples.exe -vec pos.vec  -info pos.txt -num 1100 -w 40 -h 40
pause
```

其中，-vec后面是将生成的正样本矢量集vec文件，-info后面是正样本路径文件，-num后面的数字是正样本个数，-w后面的数字是正样本图片的长，-h后面的数字是正样本图片的高。

双击createsamples.bat后出现pos.vec即为运行成功。

此时文件夹结构如下：

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/0df35451cafbe3e8b7e8130ee2c7daa8.png" alt="" width="212" />

 4、训练级联文件模型

 在文件夹下新建train.dat文件，内容如下：

```cobol
opencv_traincascade.exe -data xml -vec pos.vec -bg neg.txt -numPos 1100 -numNeg 3205 -numStages 15 -w 40 -h 40 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -mode ALL 
pause
```

其中，-data 是存放训练好的分类器的路径 ，-vec 就是存放.vec的路径， -bg 负样本描述文件， -numPos 每一阶段训练的正样本数量 ， -numNeg 每一阶段训练的负样本数量 （网上说-numPos的参数要比实际正样本数量小，-numNeg 的参数要比实际负样本数量大 ）， -numStages 训练阶段数 （这个参数不能太大也不能太小 ，太大训练时间过长，如果太小的话 生成的xml文档分类效果可能就不太好 ）， -featureType 选择LBP还是HAAR 在此选用LBP ，-w -h 训练样本尺寸 和vec生成的尺寸大小相同 不然会宕机， -minHitRate  最小命中率 ，-maxFalseAlarmRate 最大虚警率 ，最后需要在加上 -mode ALL。

此时文件夹结构如下：

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/db610b8f8d3aed1d9c86e00c95d3604d.png" alt="" width="217" />

 双击train.bat后进入训练模式，进入漫长等待，效果如下：

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/1faa11b3707675f0751e19cc1f06a981.png" alt="" width="500" />

最后训练完成之后级联文件保存在xml文件夹中。

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/9ab55299569637566b9963ba3d8ada19.png" alt="" width="183" />

其中，只有第一个cascade.xml文件是我们所需要的文件，其余文件是训练过程中生成的检查的文件，防止训练过程中出现意外程序重头训练。

下面使用Python代码进行模型测试，效果如下：

<img src="https://developer.qcloudimg.com/http-save/yehe-8201782/bd9ccb2efbf150f41b20ca9820bee03b.png" alt="" width="400" />

验证Python代码如下：

```python
import numpy as np
import cv2
face_cascade = cv2.CascadeClassifier('cascade.xml')
cap = cv2.VideoCapture(0)
while True:
    ret,img = cap.read()
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, 1.3, 5)
    for (x,y,w,h) in faces:
        cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
    cv2.imshow('img',img)       
    if cv2.waitKey(1) &0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()
```

最后我将模型搭建在树莓派上，发现识别效果，处理速度还是蛮不错的。

---

本文由原作者整理并同步发布。


3、生成路径，将正样本集的路径要存成 *.vec格式；负样本集的路径不做要求，*.txt就可以；

Python+OpenCV创建级联文件（Windows7/10环境）

介绍在Windows 7/10环境中使用Python与OpenCV训练级联分类器的完整步骤，包括环境准备、正负样本处理、路径文件和vec文件生成、训练参数及模型验证代码。

嵌入式工程师

人工智能

本文详解Python+OpenCV训练交通路标识别级联模型的全流程，涵盖环境配置、正负样本集准备、批量处理图片、生成vec文件及训练xml分类器，并分享树莓派部署经验，为开发者提供完整可复现的实战参考。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Python+OpenCV创建级联文件（Windows7/10环境）-腾讯云开发者社区-腾讯云

Python+OpenCV创建级联文件（Windows7/10环境）

Python+OpenCV创建级联文件（Windows7/10环境）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐