精华内容
下载资源
问答
  • opencv 分类器训练工具集,收集好正负样本集通过本数据集即可完成分类器训练,特定场景的分类器,提高可用性;
  • opencv训练行人检测级联分类器样本,440张,彩色,不同尺寸,请自行用代码转换尺寸和灰度。。。。
  • 2、分类器样本创建 样本创建是一个比较耗时耗资源的过程,但是前期做好一个优质的样本,对于后期的样本训练以及想获取到一个精度较高的分类器都是密切相关的。 样本,又分为正样本和负样本。通常样本基数越大,...

    目录

    1、什么是级联分类器

    2、分类器样本创建

    2.1、正样本

    2.1.1、什么是正样本

    2.1.2、正样本收集

    2.1.3、正样本处理

    2.1.4、生成pos.txt文件

    2.1.5、训练.vec文件

     2.2、负样本

    3、分类器生成

    4、分类器测试


    1、什么是级联分类器

            此处不做详解,可以参考这个博客:https://www.cnblogs.com/wumh7/p/9403873.html

    2、分类器样本创建

            样本创建是一个比较耗时耗资源的过程,但是前期做好一个优质的样本,对于后期的样本训练以及想获取到一个精度较高的分类器都是密切相关的。

            样本,又分为正样本和负样本。通常样本基数越大,生成的分类器精度越高。如果检测的目标是一个固定物体,没有变化(如特定商标,logo等),这样的物体只要提供一份样本就可以进行训练。 但绝大数时候我们想进行训练的目标是非绝对固定的物体,如对人的检测,包括人脸识别、汽车等等,因此,创建一个合适的样本就十分重要。

    2.1、正样本

    2.1.1、什么是正样本

            所谓正样本就是只包含检测目标的图片(最好背景一致),对于这我个人认为最好是检测目标的最小外接矩,这样可以减少训练的计算量,减少目标检测的干扰,提高检测质量。

    2.1.2、正样本收集

            获取正样本,可以自己动手,也可以通过网络上的图像数据库,像人脸数据库就已经很全了,不必再自己制作。

    2.1.3、正样本处理

             将正样本图片进行截取(自己收集的图片,主要是去掉训练时的不必要干扰)-----最小外接矩;

            将处理后的图片进行归一化,将所有图像调整成一致大小,我用的“美图看看”这款软件,批量处理的,注意无论原图多大最好都处理成25*25以下的图像,这样计算机训练速度快,而且不容易出现内存不够用;

            将归一化后的图像进行灰度处理,可以调用OpenCV中的接口,cv::cvtColor(Mat src, Mat outGray, COLOR_BGR2GRAY),自己c++写个批量处理小程序即可。如下处理后的灰度图片。

    2.1.4、生成pos.txt文件

              cmd运行控制台,切换到存放样本图片的文件目录下:输入如下命令

             运行结果:

             在图像文件中多了个pos.txt文件,内容如下:

                

                  在对文件进行处理,使其含有图片信息:通过程序读取存入

                  

     格式为:图片路径     检测目标在图片中的个数     起始监测点坐标(x,y)   图片大小(w,h)

    2.1.5、训练.vec文件

            cmd下运行一下命令(假设当前路径就是pos.txt所在的路径):

    opencv_createsamples.exe -vec pos.vec -info pos.txt -num 100 -w 30 -h 30 

            得到pos.vec文件。

     2.2、负样本

            负样本,即不包含检测目标的任何图片。主要操作如下:

            1、负样本不要求样本尺寸,但要大于等于正样本的大小;且负样本不能重复,要增大负样本的差异性;

            2、负样本灰度化,同正样本操作相同。

         3、运行命令:

            

    最后将pos.vec和neg.txt文件拷贝到同一文件夹下。

    3、分类器生成

    执行命令:

    opencv_haartraining.exe -data xml -vec pos.vec -bg neg.txt -nstages 10 -nsplits 1 -npos 35 -nneg 100 -mem 1280 -mode all -w 30 -h 30

    命令讲解:

            opencv_haartraining.exe   是一个opencv自带的可执行函数(但此函数已经过时,最新的采用opencv_traincascade),用于实现对分类器的训练。直接在doc下用命令执行即可,Windows的存放路径一般为:    ..\opencv\build\x86\vc11\bin。这里我为了找路径方便与样本文件放在同一目录下这样可以找到很容易调取 mlx文件夹,和pos.vec、neg.txt,也可以直接调用。

            -data xml        存储训练时的生成的文件。最终生成一个.xml文件,如下图:

                    xml文件夹内容:

                  -vec pos.vec    调用.vec文件,与neg.txt放在同一目录下。

                  -bg neg.txt     负样本生成文件,可以理解成是负样本的索引。

                  -nstages 10     训练级数

                  -nsplits 1         2表示弱分类器二叉决策树的分裂数   1表示使用简单stump 分类(只有一个树桩)

                  -npos 35          正样本数量

                  -nneg 100        负样本数量

                  -mem 1280      训练时内存预留的空间1280MB

                  -mode all          级联器的类型,all代表所有类型

                  -w 30               图片的宽30像素,必须与之前一致

                  -h 30               图片的高30像素,必须与之前一致

    执行结果如下:

    训练结果:

    4、分类器测试

            待测试。。

    注:已以上图片来自于网络,如有侵权联系删除。

    展开全文
  • 包含正样本图片18578张,图片大小为20*20,负样本图片10925张,图片大小为50*50
  • 车辆各个角度样本,车头、车尾、侧面、45°车头、车尾。
  • 包含车辆正负样本,以及opencv_createsamples.exe、opencv_traincascade.exe以及训练样本结果
  • opencv人头分类器训练样本数据集

    热门讨论 2014-12-16 12:04:53
    opencv人头分类器训练样本数据集 正负样本都要,正样本4000+ 负样本25000+ 归一化为20*20
  • ①Haar特征与LBP特征 小波特征+对角线特征“类Haar特征”,局部二值模式“替代特征LBP”。...③OpenCV中级联分类器使用CascadeClassifier 加载特征数据 检测特征对象 #include #include using namespace st
  • opencv汽车分类训练正负样本,其中正样本516张,负样本1045张,从视频上手工抠图下来的,可以用来做车辆分类训练测试,低分提供给大家,欢迎实验
  • 因为需要做opencv苹果识别 ,发现网上并没有相关资源 ,所以花了两天时间整理了2000多个分类器样本以及其解释文件(解释文件太难弄了)
  • 是不是就几十的样本不能训练?我有16个正样本25个无关付样本,然后运行train.bat的时候总是有中断,求大神看看什么问题![图片](https://img-ask.csdn.net/upload/201706/27/1498574716_948801.jpg)![图片]...
  • opencv训练行人检测级联分类器样本数据,92个,彩色版,尺寸都不同,自行用代码转尺寸,如果要灰度图也自行用代码转
  • 基于OpenCV新版本3.1.0详细讲述了HAAR与LBP级联分类器的基本原理与使用技巧,通过视频中人脸实时检测与眼睛跟踪例子...通过OpenCV自带的训练工具实现样本数据训练生成自己的级联分类器文件,使用它实现自定义对象检测。
  • opencv分类器训练方法

    万次阅读 2018-06-04 16:16:28
    分类器工具集下载人头识别 分类器训练数据集二、文件夹环境下面8个工具在这里(分类器工具集下载)posdata中存放正样本 negdata 存放负样本下载地址:(人头识别 分类器训练数据集)三、开始训练:dos命令下进入 这...

    训练前先扫读一下这篇文章;(级联分类器训练)

    python+opencv实现人头检测

    一、工具,样本数据准备;

    分类器工具集下载

    人头识别 分类器训练数据集

    二、文件夹环境


    下面8个工具在这里(分类器工具集下载

    posdata中存放正样本 negdata 存放负样本下载地址:(人头识别 分类器训练数据集

    三、开始训练:

    dos命令下进入 这个目录;执行dir /b >posdata.dat生成posdata.dat文件

    dos命令下进入 这个目录;执行dir /b >negdata.dat生成negdata.dat文件




    这样正负样本的数据文件都在其各自目录下生成了,接下来进行修改数据文件。打开数据文件的编辑界面,删掉数据文件最后面的posdata.dat,同理删除负样本数据文件里面的negdata.dat。如图: 
    这里写图片描述

    接下里修改数据文件成我这样,posdata.dat: 
    这里写图片描述

    negdata.dat: 
    这里写图片描述

    解释下 1 0 0 20 20这个参数的意思,1代表文件,0 0 20 20,是这个目录下每一张图片的坐标,因为是二维的,而且我正样本所有图片全是20*20像素的,所以就是(0,0)点到(20,20)点,即是读取图片时,从左下角扫描到右上角。 
    注意:在负样本的数据文件里面,要给每一个图片文件加上他的相对地址,因为默认我们训练时,是在negdata的父目录下进行,即是你创建的训练文件夹下进行。

    3.准备工作已经完成,下面开始训练具体操作,首先用opecv_createsamples.exe生成样本描述文件pos.vec。命令如下:

    opencv_createsamples.exe -info posdata\posdata.dat -vec data\pos.vec -num 3900 -w 20 -h 20
    
    • 1
    • 2

    生成了正样本描述文件后,接下来就是用opencv_traincascade.exe进行分类器的生成。命令如下:

    opencv_traincascade.exe -data data1 -vec data\pos.vec -bg negdata -numPos 3900 -numNeg 23000 -minHitRate 0.9999 -maxFalseAlarmRate 0.5 -featureType HAAR -numStages 20 -w 20 -h 20
    
    • 1
    • 2
    • 3

    各个参数的意思我这里就不赘述了,给一篇大牛写的文章,大家自行参考。http://note.sonots.com/SciSoftware/haartraining.html#e134e74e

    接着,等着他训练完成就行。这是个漫长的过程!




    展开全文
  • OpenCV+Python训练分类器

    千次阅读 2019-11-24 13:07:49
    @[TOC]opencv训练自己的分类器 opencv训练自己的分类器 总结一下在学习训练自己的分类器所看到的有帮助的资料。 正负样本的处理 正样本:负样本=1:3,正样本尺寸:负样本尺寸=1:6的最终效果比较好,若是场景比较...

    @[TOC]opencv训练自己的分类器

    opencv训练自己的分类器

    总结一下在学习训练自己的分类器所看到的有帮助的资料。

    正负样本的处理

    正样本:负样本=1:3,正样本尺寸:负样本尺寸=1:6的最终效果比较好,若是场景比较单一的正、负样本数量不必太多,也无需满足1:3。正负样本的处理可以参考这篇文章(利用的Python代码,处理起来比较简单) https://blog.csdn.net/YK_LaNce/article/details/100576560.

    所需的exe和dll工具

    百度网盘自行下载:https://pan.baidu.com/s/14plhrufj2hQR3Es3aYqoIg.

    自己参考之后所写代码:

    #处理正样本
    '''import cv2
    path = "C:/pos/"          #pos文件所在地址
    for i in range(1, 27):    #pos文件中图片数量
        print(path+str(i)+'.jpg')
        img = cv2.imread(path+str(i)+'.jpg', cv2.IMREAD_GRAYSCALE)
        img5050=cv2.resize(img,(50,50))        #将pos文件中图片压缩为50*50
        cv2.imshow("img", img5050)
        cv2.waitKey(20)
        cv2.imwrite('C:/pos1/'+str(i)+'.jpg', img5050)'''
    
    #处理负样本
    '''import cv2
    path = "C:/neg/"
    for i in range(1, 30):
        print(path+str(i)+'.jpg')
        img = cv2.imread(path+str(i)+'.jpg', cv2.IMREAD_GRAYSCALE)
        cv2.imwrite('C:/neg1/'+str(i)+'.jpg', img)'''
    
    #生成描述文件
    '''import os
    def create_pos_n_neg():
        for file_type in ['pos']:       #运行一次之后修改pos为neg
            for img in os.listdir(file_type):
                if (file_type == 'neg'):
                    line = file_type + '/' + img + '\n'
                    with open('neg.txt', 'a') as f:
                        f.write(line)
                elif (file_type == 'pos'):
                    line = file_type + '/' + img + ' 1 0 0 50 50\n'
                    with open('pos.txt', 'a') as f:
                        f.write(line)
    
    if __name__ == '__main__':
        create_pos_n_neg()'''
    
    
    

    生成vec文件和xml文件

    参考文章:https://www.jianshu.com/p/e35260f7cbf0?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation. 该文章中含有一些报错问题及解决办法。

    测试xml文件

    参考文章:https://www.jianshu.com/p/0afa9712c6d5.
    自己所写代码如下:

    #调用自带的摄像头
    import cv2
    import numpy as np
    face_cascade=cv2.CascadeClassifier("cascade.xml")
    cap=cv2.VideoCapture(0)
    while True:
        ret,frame=cap.read()
        i=frame
        gray=cv2.cvtColor(i,cv2.COLOR_BGR2GRAY)
       	faces=face_cascade.detectMultiScale(gray,scaleFactor=1.1,minNeighbors=5)
        l=len(head)         #人数
        print (l)
        for (x,y,w,h) in faces:
            cv2.rectangle(i,(x,y),(x+w,y+h),(255,0,0),2)
            cv2.putText(i,'face',(int(w/2+x),int(y-h/5)),cv2.FONT_HERSHEY_PLAIN,2.0,(255,255,255),2,1)
            roi_gray = gray[y:y+h, x:x+w]
            roi_color=i[y:y+h,x:x+w]
        cv2.imshow("rstp",i)
        if cv2.waitKey(1) & 0xFF ==ord('q'):
            exit(0)
    cap.release()         #释放摄像头
    cv2.destroyAllWindows()            #关闭所有窗口
    
    
    

    其他文章

    有关正负样本数量:https://www.jianshu.com/p/0afa9712c6d5.

    展开全文
  • 之前在树莓派上训练分类器,发现树莓派内存过小,训练几张照片还ok,但是训练十几张照片进程直接就被系统扼杀掉,,所以这次选择用笔记本训练。经过测试,用400张50分辨率的正样本,1500张负样本训练,训练器级数为20...

    首先说一下我的经历吧!不想看的可以直跳到教程。之前在树莓派上训练分类器,发现树莓派内存过小,训练几张照片还ok,但是训练十几张照片进程直接就被系统扼杀掉,,所以这次选择用笔记本训练。经过测试,用400张50分辨率的正样本,1500张负样本训练,训练器级数为20,featureType 采用LBP特征时,需要4、5个小时才训练到16级,如果用Haar特征的话我训练的三天三夜才训练到16级,越是到后面越慢(featureType ,提取图像特征的类型,目前只支持LBP、HOG、Haar三种特征。但是HAAR训练非常非常的慢,而LBP则相对快很多)。还有我们安装的OpenCV是不带opencv_createsamples.exe和opencv_traincascade.exe这两个程序的,在网上找了很多的方法去编译然而只编译到opencv_createsamples.exe,后来我干脆不自己编译了,直接拿了别然的这两个exe程序来用。总之一句话就是“坑爹!”,太耗时间和精力了,下面教程我就用几张照片做个示范给你们看,如果你们跟着我来做的话是很快就能够完成的。

    一、Windows下安装OpenCV及依赖库

    为了减少不必要的麻烦就不用源码安装了,直接在Powershell用pip安装,而且用国内源(我这里用的是阿里源)下载OpenCV,官方的太慢了。

    打开Powershell,输入以下命令

    pip install opencv-python -i http://mirrors.aliyun.com/pypi/simple/   --trusted-host mirrors.aliyun.com
    

    测试一下

    python
    import cv2
    

    Ctrl+Z退出Python环境
    如下:
    在这里插入图片描述
    安装依赖库

    pip install scikit-image
    

    测试一下

    import skimage.io as io
    

    二、获取opencv_createsamples.exe和opencv_traincascade.exe

    训练过分类器的小伙伴都知道,训练分类器需要用到opencv_createsamples.exe和opencv_traincascade.exe这两个程序,然而我们安装的OpenCV都是不带这两个程序的,这里呢我也是直接拿别人的来用的,两个文件下载链接如下:

    链接: https://pan.baidu.com/s/1x5ZYDu5UP-CBOOjdcvbV2w
    提取码:op5m
    新建一个全英文目录下的文件夹OpenCV,下载后解压到该文件夹下,我的如下:
    在这里插入图片描述
    在opencv_bin下我们就可以找到opencv_createsamples.exe和opencv_traincascade.exe这两个文件,当然里面还包含了一些库,我们训练时是要用到他们的。
    在这里插入图片描述在这里插入图片描述

    三、准备正样本和负样本

    在OpenCV下新建两个文件夹分别为pos、neg,用来存放正样本和负样本图片。

    1、收集并处理正样本

    在这里插入图片描述

    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。在OpenCV下创建1.py文件,放进下面代码并运行

    import os
    from skimage.color import rgb2gray
    import numpy as np
    import skimage.io as io
    import cv2
    def convert_gray(f, **args):  # 图片处理与格式化的函数
        rgb = io.imread(f)  # 读取图片
        gray = rgb2gray(rgb)  # 将彩色图片转换为灰度图片
        dst = cv2.resize(gray, (60, 60))  # 调整大小,图像分辨率为40*40
        return dst
    
    
    if __name__ == '__main__':
        '''
        批量转灰度图
        '''
        datapath = r'D:\OpenCV\pos'  # 图片所在的路径
        str = datapath + '/*.jpg'  # 识别.jpg的图像
        coll = io.ImageCollection(str, load_func=convert_gray)  # 批处理
        for i in range(len(coll)):
            io.imsave('D:\OpenCV\pos\\' + np.str(i) + '.jpg', coll[i])  # 保存图片
    

    在这里插入图片描述

    可以看到正样本已经进行灰度、分辨率及顺序编号处理,注意:我们要把之前的彩色正样本删掉,不然在同一个文件夹下会影响后续训练。

    2、收集负样
    关于负样本,放到neg下即可,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。
    在这里插入图片描述

    四、正负样本描述文件生成

    在OpenCV下建立2.py拷贝以下代码进去运行,生成正样本描述文件info.txt

    import os
    def create_pos_n_neg():
        for file_type in ['pos']: #此处修改neg或pos即可
            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('描述文件已生成!')
    

    打开info.txt就可以看到正样本描述文件内容
    在这里插入图片描述

    在OpenCV下建立3.py文件,拷贝下面代码,生成负样本描述文件bg.txt

    import os
    def create_pos_n_neg():
        for file_type in ['neg']: #此处修改neg或pos即可
            for img in os.listdir(file_type):
                if (file_type == 'neg'):
                    line = 'D:/OpenCV/'+file_type + '/' + img + '\n'
                    with open('bg.txt', 'a') as f:
                        f.write(line)
                elif (file_type == 'pos'):
                    line = 'D:/OpenCV/'+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('描述文件已生成!')
    

    在这里插入图片描述

    五、训练分类器

    1、使用opencv_createsamples.exe生成positives.vec文件。

    在cmd下进入D:\OpenCV\opencv_bin目录下运行下面命令

    opencv_createsamples.exe -vec D:\OpenCV\info.vec -info D:\OpenCV\info.txt -bg D:\OpenCV\bg.txt -num 5 -w 50 -h 50
    

    其中,-info字段填写正样本描述文件;-vec用于保存制作的正样本;-num制定正样本的数目,不能大于正样本图片数;-w和-h分别指定正样本的宽和高。

    2、使用opencv_traincascade.exe训练分类器

    在OpenCV文件夹下建立xml_file文件夹,用来存储训练过程中生成的xml文件。
    在cmd下进入D:\OpenCV\opencv_bin目录下运行下面命令

    opencv_traincascade.exe -data D:\OpenCV\xml_file -vec D:\OpenCV\info.vec -bg D:\OpenCV\bg.txt -numPos 4 -numNeg 100 -numStages 5 -featureType LBP -w 50 -h 50
    

    data :训练后data目录下会存储训练过程中生成的文件
    vec :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
    featureType LBP: 训练时,提取图像特征的类型,目前只支持LBP、HOG、Haar三种特征。但是HAAR训练非常非常的慢,而LBP则相对快很多,因为HAAR需要浮点运算,精度自然比LBP更高,但是LBP的效果也基本能达到HAAR的效果。
    注意:同时正负样本数目和w、h以及训练级数numStages的大小对训练时间的影响特别大

    训练完之后我们就可以在xml_file文件夹下看到训练好的分类器cascade.xml
    在这里插入图片描述
    大功告成,有问题下方留言,谢谢!

    参考:
    链接: https://blog.csdn.net/MangoHHHH/article/details/109189666
    链接: https://www.freesion.com/article/79671247590/

    展开全文
  • 该程序用来训练基于OpenCV分类器,可用于行人识别、车辆识别、人脸识别等各种目标识别分类器训练,版本OpenCV 2.4.11。该程序绿色免安装,解压缩后可以直接运行。 里面包含的工具有:opencv_createsamples; ...
  • opencv3/C++ 级联分类器训练样本数据

    千次阅读 2018-01-10 19:17:39
    需要准备的数据 具体的创建过程及程序见: ...训练数据包含两部分:包含人脸图片的样本数据和背景图片数据,如图所示; 其中,negitive文件夹下存放的是背景图片数据img和文件bg.txt: 如图,文件夹img下存
  • 在Linux环境下进行Opencv分类器训练(基于树莓派和OpenCV的物体识别)一、环境配置二、收集和处理样本1、收集正样本2、收集负样本3、正负样本描述文件生成三、训练分类器四、使用生成的xml文件进行识别 ...
  • opencv 人头分类器训练数据集 包括正样本集及负样本集,测试样本集;
  • 请问训练分类器样本时,正样本一定要是宽高相同的尺寸么? 刚刚训练一个杯子宽高比1:3,然后在bat里面也修改了w 和 h参数 但是就是显示尺寸异常OpenCV Error: Assertion failed (_img.rows * _img.cols == ...
  • OpenCV 分类器训练截图工具,样本样本快速生成工具分享给大家。
  • PAGE / NUMPAGES 从 SVM的那几张图可以看出来SVM是一种典型的两类分类器即它只回答属于正类还是负类的问题而现实中要解决的问题往往是多类的问题少部分例外例如垃圾邮件过滤就只需要确定是还是不是垃圾邮件比如文本...
  • openCV分类器训练教程,主要是包括设置正样本和背景的过程
  • Opencv训练自己分类器

    2021-03-25 08:36:57
    训练样本的尺寸为20*20(opencv推荐的最佳尺寸),且所有样本的尺寸必须一致。如果不一致的或者尺寸较大的,可以先将所有样本统一缩放到20*20。 以下就是我用来训练的正样本: 1.1.2负样本 ...
  • opencv训练分类器样本处理

    千次阅读 2017-03-07 13:58:00
    分类器训练以分为以下三部进行: 1、 样本的创建 2、 训练分类器 3、 利用训练好的分类器进行目标检测。 对检测物体要确定其属性:是否为绝对刚性的物体,也就是检测的目标是一个固定物体,没有变化(如特定...
  • OpenCV版本: OpenCV3.4.7 二、下载安装OpenCV windows下不用下载源码,可以直接在官网下载编译好的文件解压即可使用。 OpenCV官网下载地址:https://opencv.org/releases/ 下载之后解压到指定目录即可,我这里是...
  • 原地址:http://www.cnblogs.com/zengqs/archive/2009/02/12/1389208.htmlOpenCV训练分类器OpenCV训练分类器一、简介目标检测方法最初由Paul Viola [Viola01]提出,并由Rainer Lienhart [Lienhart02]对这一方法进行...
  • OpenCV | 训练识别狗的分类器过程详解

    万次阅读 多人点赞 2019-04-09 19:49:35
    文章目录一、样本准备二、训练数据准备三、得到vec文件四、训练最终的分类器五、参数解析六、验证识别效果代码七、运行结果 一、样本准备 包括正样本和负样本,由于是手工准备的数据都是在百度截取的图片,所以...
  • OpenCV 级联分类器训练——训练步骤详解(一)

    万次阅读 多人点赞 2018-03-09 15:56:21
    一、正样本准备正样本的选取原则正样本的尺寸不是必须一致的,但是要和生成的正样本矢量文件中的宽高有相同的比例(训练过程中,会根据矢量文件中设置的宽高,自动对正样本进行缩放,比如我在用程序标注时,框选目标...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 8,162
精华内容 3,264
关键字:

opencv分类器训练样本

友情链接: NL_Detection.rar