精华内容
下载资源
问答
  • opencv训练xml的过程

    千次阅读 2018-06-22 13:41:45
    废话不多说,此文章适合会一点点cmd的人及以上,只讲解一些本人的重要步骤...按照网上的过程把正样本放在pos文件夹下,负样本放在neg文件夹下 第二步:在windows下使用dir /b pos pos\pos.txt 生成pos.txt文件,使...

    废话不多说,此文章适合会一点点cmd的人及以上,只讲解一些本人的重要步骤和遇到的问题,做过一次后发现很简单

    第一步:从网上下载正样本,负样本,我使用了python 脚本到百度图片下载了正样本500来张,负样本1200来张。

    按照网上的过程把正样本放在pos文件夹下,负样本放在neg文件夹下

    第二步:在windows下使用dir /b pos pos\pos.txt 生成pos.txt文件,使用 dir /b neg neg\neg.txt 生成neg.txt 文件,分别在对应的文件名下。因为描述文件需要包含样本路径,所以在同一文件夹下可以更加方便。

    修改pos.txt ,每一行后边加上如 1 0 0 70 70

    第三步:我在linux下使用 opencv_createsamples -info posdata.txt-vec pos.vec -num 500 -w 70 -h 70

    这样的代码来生成对应的vec文件

    第四步:使用opencv_haartraining -data ./xml -vec ./pos/pos.vec -bg ./test/neg/neg.txt -npos 500 -nneg 300 -nstages 4 -nsplits 2 -mem 512 -nonsym -w 70 -h 70 -minpos 100

    这样的代码来生成xml文件夹和xml.xml文件

    -data 生成的xml文件过程存放在哪里以及xml的文件名

    -vec 正样本生成的vec文件pos.vec

    -bg 负样本的描述文件neg.txt

    补充:

    我最终的笔记:

    先下载正负样本,约1:3   正样本大小统一,可与负样本不同
        训练时负样本只需要写实际样本数量的 1/nstages 否则会出现负样本数量不足,已经被全部使用
        负样本的描述文件可以是txt,只需要有负样本的路径和文件名称即可
        正样本描述txt需要有如 1.jpg 1 0 0 70 70 的数据(文件名,1个,坐标位置)
        根据txt文件生成vec文件为训练的描述文件
        -data 后边不能使用 ./ 否则不会产生xml文件
        nneg*nstages的值应该小于等于负样本的数量 
        120 300 4 训练了不到1小时
        npos和nneg比例大约1:3
        nstages大小推荐15-20,也有很多选择24或以上的
        440 1350 4 训练了215660秒,大约59个小时
       opencv_createsamples -info pos/pos.txt -vec pos/pos.vec -num 12088 -w 40 -h 40
       opencv_haartraining -data xml -vec pos/pos.vec -bg neg/neg.txt -npos 11000 -nneg 362 -nstages 15 -nsplits 3 -mem 1024 -nonsym -w 40 -h 40 -minpos 755

     

     

    展开全文
  • opencv自带haar训练过程详解
  • opencv训练工具编译

    千次阅读 2019-09-24 14:36:09
    opencv训练需要两个工具,这两个工具的源码在opencv源码中的位置: createsample 用于生成正样本的vec文件 traincascade 用于训练我们最终需要的xml 文件 具体如何使用,网络上非常多,在此不再赘述。 编译过程 ...

    opencv训练需要两个工具,这两个工具的源码在opencv源码中的位置:
    在这里插入图片描述
    createsample 用于生成正样本的vec文件
    traincascade 用于训练我们最终需要的xml 文件
    具体如何使用,网络上非常多,在此不再赘述。

    编译过程

    • 安装cmake : 用于通过一系列的源码和相关的配置来生成需要的编译器平台上的项目文件,在linux中生成 Makefile 文件,以供我们使用make进行编译
      1.1 安装方法: apt-get install cmake 或源码安装
    • 安装 make
      apt-get install make
    • 进行编译
      3.1 下载opencv 源码(注意,必须下载 4.0.0 以下版本,否则没有上述两个模块)
      wget https://codeload.github.com/opencv/opencv/zip/3.4
      3.2 解压,创建 build 目录
      unzip master & cd 3.4 & mkdir build & cd build
      3.3 使用cmake 生成 Makefile
      cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local …
      3.4 编译 & 安装
      make & make install
      3.5 编译完成
      可执行文件在 builld/bin 目录中
      在这里插入图片描述

    编译过程走过的弯路

    • 尝试单独编译模块报错
    CMake Warning (dev) in CMakeLists.txt:
      No project() command is present.  The top-level CMakeLists.txt file must
      contain a literal, direct call to the project() command.  Add a line of
      code such as
    
        project(ProjectName)
    
      near the top of the file, but after cmake_minimum_required().
    
      CMake is pretending there is a "project(Project)" command on the first
      line.
    This warning is for project developers.  Use -Wno-dev to suppress it.
    
    CMake Error at CMakeLists.txt:1 (ocv_warnings_disable):
      Unknown CMake command "ocv_warnings_disable".
    
    
    CMake Warning (dev) in CMakeLists.txt:
      No cmake_minimum_required command is present.  A line of code such as
    
        cmake_minimum_required(VERSION 3.15)
    
      should be added at the top of the file.  The version specified may be lower
      if you wish to support older CMake versions for this project.  For more
      information run "cmake --help-policy CMP0000".
    This warning is for project developers.  Use -Wno-dev to suppress it.
    
    -- Configuring incomplete, errors occurred!
    See also "/home/IServer/opencv-4.1.1/apps/traincascade/build/CMakeFiles/CMakeOutput.log".
    

    尝试单独编译过程:
    为什么要单独编译?
    因为我全编opencv4.1.1(写文档当前最新版),编译完成之后发现没有生成我需要的两个文件。
    cd opencv-4.1.1/apps/traincascade/build/ & cmake … 报错
    看上边的错误信息,大概就是 Unknown CMake command “ocv_warnings_disable”. 这个命令找不到
    百度也找不到什么相关的信息,很奇怪。
    这个调用在什么地方呢?在 opencv-4.1.1/apps/traincascade 下边的CMakeLists.txt 中,看这个命名 ocv,应该是opencv ,说明不是 cmake 自带的命令,说明我们不能这样单独编译。
    那怎么办?我们继续往下。
    找来找去,发现 opencv-4.1.1/apps 下边的CMakeLists.txt 最下边有这样几行

    #ocv_add_app(traincascade)
    #ocv_add_app(createsamples)
    ocv_add_app(annotation)
    ocv_add_app(visualisation)
    ocv_add_app(interactive-calibration)
    ocv_add_app(version)
    

    原来是被注释掉了,去掉注释进行编译:

    /home/IServer/opencv-4.1.1/apps/traincascade/old_ml.hpp:803:24: error: ‘CvFileStorage’ has not been declared
         virtual void read( CvFileStorage* fs, CvFileNode* node );
                            ^
    /home/IServer/opencv-4.1.1/apps/traincascade/old_ml.hpp:803:43: error: ‘CvFileNode’ has not been declared
         virtual void read( CvFileStorage* fs, CvFileNode* node );
                                               ^
    /home/IServer/opencv-4.1.1/apps/traincascade/old_ml.hpp:804:25: error: ‘CvFileStorage’ has not been declared
         virtual void write( CvFileStorage* fs, const char* name ) const;
                             ^
    /home/IServer/opencv-4.1.1/apps/traincascade/old_ml.hpp:807:24: error: ‘CvFileStorage’ has not been declared
         virtual void read( CvFileStorage* fs, CvFileNode* node,
                            ^
    /home/IServer/opencv-4.1.1/apps/traincascade/old_ml.hpp:807:43: error: ‘CvFileNode’ has not been declared
         virtual void read( CvFileStorage* fs, CvFileNode* node,
                                               ^
    /home/IServer/opencv-4.1.1/apps/traincascade/old_ml.hpp:809:25: error: ‘CvFileStorage’ has not been declared
         virtual void write( CvFileStorage* fs ) const;
                             ^
    /home/IServer/opencv-4.1.1/apps/traincascade/old_ml.hpp:846:30: error: ‘CvFileStorage’ has not been declared
         virtual void write_node( CvFileStorage* fs, CvDTreeNode* node ) const;
                                  ^
    /home/IServer/opencv-4.1.1/apps/traincascade/old_ml.hpp:847:31: error: ‘CvFileStorage’ has not been declared
         virtual void write_split( CvFileStorage* fs, CvDTreeSplit* split ) const;
    

    报错,百度无果,google
    在这里插入图片描述
    大概意思就是从 4.1.0 版本开始,之前的一些代码被废弃了,所以无法编译,建议换为3.4 版本;
    到此,问题解决,爬坑结束。

    展开全文
  • opencv训练分类器随笔

    千次阅读 2017-03-15 14:00:20
    一、Opencv训练分类器一般要使用到OpenCV提供的几个工具: opencv_annotation 用来在一张大图中标定一个或多个需要检测的目标 opencv_createsamples 用来制作positive sample的vec opencv_traincascade 用来...

    一、Opencv训练分类器一般要使用到OpenCV提供的几个工具:

    opencv_annotation 用来在一张大图中标定一个或多个需要检测的目标
    opencv_createsamples 用来制作positive sample的vec
    opencv_traincascade 用来训练得到需要的cascade.xml


    二、Opencv训练流程

    1. 收集需要训练的正、负样本。
    2. 对正样品归一化处理,负样本不处理,但是保证负像素尺寸 >=正样品像素尺寸(或者有的人也称作缩放处理,不过我感觉还是归一化处理比较好听)。
    3. 生成正、负样本描述文件。
    4. 样本训练。

    2.1 收集样本

    样本分两种: 正样本与负样本(也有人翻译成:正例样本和反例样本),其中正样本是指待检目标样本(例如人脸,汽车,鼻子等),负样本指其它任意图片。


    负样本(Negtive Samples)

    • 注意点:

      1. 不应该包含所需检测的目标,不过可以是目标的一小部分,这样可以避免误检测;
      2. 必须大于等于窗口(即Positive Samples中的窗口大小,用-w -h两个参数指定的)的尺寸;
      3. 每一张negtive sample的大小不必相同
    • 描述文件 bg.txt(这个名字随意了,我只是按照官方的命名来的):

      1. 内容为negtive sample的文件名,每一行对应一个文件名,不应有空行;
      2. 根据bg.txt所处的位置,其内容也有变化。在bg.txt与opencv_traincascade处于同一目录的情况下bg.txt中每一行应该为negtive sample的绝对路径,例如:/home/allen/haar/neg/1.jpg
      3. 如果bg.txt是在Windows下生成的,而后拿到Linux下来使用,在执行opencv_traincascade后可能会报错Train dataset for temp stage can not be filled. Branch training terminated. 这是因为Windows和Linux中换行的符号是不同的,Windows下为\r\n, Linux下为\n. 解决方法是在Linux下重新生成bg.txt. 可以使用Python来生成
    fp = open('/home/allen/bg.txt', 'w')
    for i in range(1, 732): 
        fp.write('/home/allen/haar/neg/' + str(i) + '.jpg' + '\n')
    fp.close()

    总之,如果在执行opencv_traincascade后报的错为Train dataset for temp stage can not be filled. Branch training terminated.,则问题是出在bg.txt上了,导致程序无法找到对应的negtive samples。参考上述2,3两点进行修改。


    正样本(Positive Samples)

    创建的几个步骤:

    1. 准备自己拍的各种包含被检测物体的大图
    2. 使用opencv_annotation进行矩形框标定被检测物或者手动抠图正负描述文件
    3. 归一化处理
    4. 使用opencv_createsamples生成.vec文件

    详解步骤1:这个不用多说,自己拍去吧,数量自己定

    详解步骤2:

    • 使用命令:

    opencv_annotation -annotations /home/allen/haar/pos/annotation.txt -images /home/allen/haar/grayImages

      对该命令的解释:

    -annotations annotation文件的存储位置
    -images 步骤1中图片的位置

    opencv_annotation运行程序的时候会遍历文件夹下所有的图片,每次显示一张图片,点击鼠标左键,拖动鼠标确定区域,再点一次鼠标左键,结束。按键盘的字母C为确定选择(矩形框会由红色变为绿色),字母D为删除上一个选择,字母N为下一张图片。注意,程序之后在所有图片都遍历完后才会创建annotation.txt文件,中途退出是没有的。

    正:
    这里写图片描述

    跟这里一样,第一列表示图片的名字,第二列表示该图片中有多少个正样例,一般为1,如果有很多(比如在人群中有很多人脸),那么有多少个这个参数就写几,比如是K个,那么接下来就要有4*k个数据,也就是k组数据,每组数据是这样的:x y width height。

    负:
    这里写图片描述
    仅仅需要图片名字,不需要参数:

    详解步骤3:归一化处理

    这个是一个必要条件,当分类器在你想要检测的图片上寻找目标的时候,它不能所有位置、所有大小都各种乱找,那样一张图片的执行次数就会相当的巨大,而且如果正样品的大小不统一,那么彼此之间也就没有太大的可比性和联系性了,所谓归一化处理,就是让所有图片的像素尺寸一样,比如我的正样品全部是64*64像素的,处理方法,可以看看该大神的文章:http://www.cnblogs.com/tornadomeet/archive/2012/03/27/2420088.html

    详解步骤4:

      首先使用命令:

    opencv_createsamples -vec /home/allen/haar/pos/positive.vec -info /home/allen/haar/pos/annotation.txt -w 24 -h 50 -num 400

      对该命令的解释:

    -vec  参数代表.vec文件的存储位置;
    -img  输入图像文件名(例如一个公司的标志)。
    -info  代表生成的annotation的位置;
    -bg   背景图像的描述文件,文件中包含一系列的图像文件名,这些图像将被随机选作物体的背景。
    -num  生成的正样本的数目
    -w 窗口的宽度;
    -h 窗口的高度;
    -num 需要生成的positive samples的个数。

    这里需要注意annotation.txt中图片名的格式,不需要包含路径,同时需要与positive samples在同一文件夹下。例如105.jpg 2 112 89 18 34 93 87 18 34,第一个是文件名,第二个代表在该张图片中被标记物体的个数,之后的四个数为对应矩形标记框在这张图片中的坐标位置。

    2.2 训练级联分类器

    下一步是训练分类器。如前面所述, opencv_traincascade 和opencv_haartraining 都可用来训练一个级联分类器,但是此处只介绍opencv_traincascade 。 opencv_haartraining 的用法与opencv_traincascade 类似。

    下面是 opencv_traincascade 的命令行参数,以用途分组介绍:

    通用参数:
    
        -data<cascade_dir_name>
            目录名,如不存在训练程序会创建它,用于存放训练好的分类器。
    
        -vec<vec_file_name>
            包含正样本的vec文件名(由 opencv_createsamples 程序生成)。
    
        -bg<background_file_name>
            背景描述文件,也就是包含负样本文件名的那个描述文件。
    
        -numPos<number_of_positive_samples>
            每级分类器训练时所用的正样本数目。
    
        -numNeg<number_of_negative_samples>
            每级分类器训练时所用的负样本数目,可以大于 -bg 指定的图片数目。
    
        -numStages<number_of_stages>
            训练的分类器的级数。
    
        -precalcValBufSize<precalculated_vals_buffer_size_in_Mb>
            缓存大小,用于存储预先计算的特征值(feature values),单位为MB。
    
        -precalcIdxBufSize<precalculated_idxs_buffer_size_in_Mb>
            缓存大小,用于存储预先计算的特征索引(feature indices),单位为MB。内存越大,训练时间越短。
    
        -baseFormatSave
            这个参数仅在使用Haar特征时有效。如果指定这个参数,那么级联分类器将以老的格式存储。
    
    级联参数:
    
        -stageType<BOOST(default)>
            级别(stage)参数。目前只支持将BOOST分类器作为级别的类型。
    
        -featureType<{HAAR(default),LBP}>
            特征的类型: HAAR - 类Haar特征;LBP - 局部纹理模式特征。
    
        -w<sampleWidth>
        -h<sampleHeight>
            训练样本的尺寸(单位为像素)。必须跟训练样本创建(使用 opencv_createsamples 程序创建)时的尺寸保持一致。
    
    Boosted分类器参数:
        -bt<{DAB,RAB,LB,GAB(default)}>
            Boosted分类器的类型: DAB - Discrete AdaBoost,RAB - Real AdaBoost,LB - LogitBoost, GAB - Gentle AdaBoost。
    
        -minHitRate<min_hit_rate>
            分类器的每一级希望得到的最小检测率。总的检测率大约为 min_hit_rate^number_of_stages。
    
        -maxFalseAlarmRate<max_false_alarm_rate>
            分类器的每一级希望得到的最大误检率。总的误检率大约为 max_false_alarm_rate^number_of_stages.
    
        -weightTrimRate<weight_trim_rate>
            Specifies whether trimming should be used and its weight. 一个还不错的数值是0.95。
    
        -maxDepth<max_depth_of_weak_tree>
            弱分类器树最大的深度。一个还不错的数值是1,是二叉树(stumps)。
    
        -maxWeakCount<max_weak_tree_count>
            每一级中的弱分类器的最大数目。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given-maxFalseAlarmRate.
    
    类Haar特征参数:
        -mode<BASIC(default)|CORE|ALL>
            选择训练过程中使用的Haar特征的类型。 BASIC 只使用右上特征, ALL 使用所有右上特征和45度旋转特征。更多细节请参考[Rainer2002] 。
    
    LBP特征参数:
    LBP特征无参数。
    

    当 opencv_traincascade 程序训练结束以后,训练好的级联分类器将存储于文件cascade.xml中,这个文件位于-data 指定的目录中。这个目录中的其他文件是训练的中间结果,当训练程序被中断后,再重新运行训练程序将读入之前的训练结果,而不需从头重新训练。训练结束后,你可以删除这些中间文件。

    训练结束后,你就可以测试你训练好的级联分类器了!
    [Viola2001] Paul Viola, Michael Jones. Rapid Object Detection using a Boosted Cascade of Simple Features. Conference on Computer Vision and Pattern Recognition (CVPR), 2001, pp. 511-518.
    [Rainer2002] Rainer Lienhart and Jochen Maydt. An Extended Set of Haar-like Features for Rapid Object Detection. Submitted to ICIP2002.
    [Liao2007] Shengcai Liao, Xiangxin Zhu, Zhen Lei, Lun Zhang and Stan Z. Li.Learning Multi-scale Block Local Binary Patterns for Face Recognition. International Conference on Biometrics (ICB), 2007, pp. 828-837.

    展开全文
  • opencv训练样本库过程中的常见问题

    千次阅读 2014-01-02 19:25:30
    1、进入opencv_haartraining 或opencv_traincascade训练分类器阶段后,其-w -h,所指的参数为正样本-w -h,运行opencv_haartraining,同时 观察任务管理器会发现opencv_haartraining 一只在吃内存。 2、使用opencv_...

    1、进入opencv_haartraining 或opencv_traincascade训练分类器阶段后,其-w -h,所指的参数为正样本-w -h,运行opencv_haartraining,同时观察任务管理器会发现opencv_haartraining 一只在吃内存。
    2、使用opencv_traincascade的话必须为-data 创建好目录,比如-data d,那么必须在当前目录创建d文件夹,否则在运行opencv_traincascade时会出现找不到d/params.xml现象。另外如果opencv_haartraining 中的-data d,那么opencv_haartraining 会自动建立d文件夹,不需要手动建立。
    3、如果使用opencv_traincascade训练样本库那么就能采用GpuCascadeClassifier(cascade.xml),而要使用CascadeClassifier(cascade.xml),否则会报错。
    4、使用opencv_haartraining 训练样本库的过程中可能会 由于将-nstages设置的过高,导致训练进入死循环,这是可以采用渐进的方式,首先将-nstages设置的低一点,然后一次一次的升高-nstages值,这样可以找到最优的-nstages。

    5、如果使用opencv_traincascade采用参数-featureType HAAR时,会出现直接崩溃的情况,这时需要修改参数,参见第三条,同时如果不设置-featureType参数,那么程序默认采用-featureType HAAR。

     

    展开全文
  • openCV分类器训练教程,主要是包括设置正样本和背景的过程
  • 使用opencv_traincascade和opencv_createsamples生成自己的训练文件并进行训练 opencv_createsamples.exe#生成 训练集的vec文件opencv_createsamples.exe -info posdata -vec data\pos.vec -num 你所需要创建的正...
  • OpenCV训练分类器

    千次阅读 2012-11-15 06:27:30
    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 行了改善。该方法的基本步骤为: 首先,利用样本(大约几百幅样本图片)的 harr 特征...
  • OpenCV训练SVM模型并预测的完整过程

    千次阅读 2019-07-03 13:01:28
     2 完整过程: #include #include<opencv2\opencv.hpp> #include #include<opencv2\ml\ml.hpp> using namespace cv; using namespace std; void convert_to_ml(const vector< Mat > & train_samples, Mat& ...
  • 使用OpenCV训练Cascasde分类器

    千次阅读 2016-04-28 15:53:13
    最近想用OpenCV中的CascadeClassifier做一些物体跟踪的...OpenCV中有两个训练cascade classifier的应用,包括:opencv_haartraining和opencv_traincascade。 opencv_traincascade是新的实现,它既支持Haar和LBP特征。
  • opencv训练分类器

    2013-11-13 15:56:05
    本文转至http://blog.csdn.net/kevin_ut/article/details/5838389,在此感谢他的博文,让我成功训练了自己的分类器。 参考英文资料网址: ...       ...整个过程分为两步: 1. 创建样本 2. 训练
  • 如何用OpenCV训练自己的分类器

    千次阅读 2019-02-20 14:22:18
    如何用OpenCV训练自己的分类器
  • linux下opencv训练xml

    千次阅读 2017-10-12 10:26:52
    opencv提高之cascade分类器训练人脸检测模型 原文地址:http://blog.csdn.net/keith_bb/article/details/70408907 1.概述 首先澄清一个概念:人脸检测是要检测图像中有没有人脸,人脸识别是要检测...
  • opencv训练分类器

    千次阅读 2015-08-15 14:04:51
    注:本文转自西电之梦《采用opencv_cascadetrain进行训练的步骤及注意事项》,原文链接...OpenCV中有两个程序可以训练级联分类器: opencv_haartraining 和opencv_traincascade。opencv_traincascade 是一个
  • OpenCV训练分类器(转)

    2015-02-13 11:22:19
    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]对这一方法进行了改善。该方法的基本步骤为: 首先,利用样本(大约几百幅样本图片)的 harr 特征...
  • opencv 训练散记

    千次阅读 2011-06-19 01:32:00
    1.制作样本2.对每一张图片调用hog.compute(img, descriptors,Size(8,8), Size(0,0));可以生成hog descriptors,把它...3.利用SVM进行训练和分类,可得到权重系数,即getDefaultPeopleDetector()函数中调用的检测 算
  • 使用OpenCV训练Haar like+Adaboost分类器的常见问题 ...最近使用OpenCV训练Haar like+Adaboost分类器,查阅了一些资料,这些资料对训练过程陈述的很详细,但是缺少一些细节,偶然看到了一篇英文资料,觉得很好,简单翻
  • 2、1.0版本OpenCV训练出来的haar特征检测模型xml文件数据结构,如下图 3、解析xml文件的程序代码,如下 // Read_Haar_XML_ALL.cpp : 定义控制台应用程序的入口点。 // #include "stdafx.h" #include...
  • 我遇到的问题基本在这篇博文里解决了,非常感谢博主,收藏了!!! 转自:如何使用opencv 训练分类器以及训练过程中的问题 | More ...如何使用opencv 训练分类器以及训练过程中的问题 我想大家都非常有兴趣使用open
  • 从网上搜索到opencv已经集成好了两个模块,分别是opencv_createsamples.exe和opencv_haartraining.exe,它们一般都在opencv\build\x86\vc10\bin文件目录下,作用是生成样本vec文件和训练数据集,生成一个分类器。...
  • 通过这几篇以及我之前的学习,将今天实践的过程分享一下: 首先再次说一下整体生成的流程: 1:收集需要训练的正、负样本。 2:对正样品归一化处理,负样本不处理,但是保证负像素尺寸 >=正样品像素尺寸...
  • OpenCV训练级联分类器》

    千次阅读 2016-12-31 19:07:35
    我是个初学者,我只想把我所学到经验分享一下,不好...opencv里自带了opencv_traincascade.exe,opencv_createsamples.exe这两个东东,找出来新建一个文件夹,把这两二货放进去。解释一下:opencv_createsamples.exe...
  • 《FAQ:OpenCV Haartraining》——使用OpenCV训练Haar like+Adaboost分类器的常见问题 ...最近使用OpenCV训练Haar like+Adaboost分类器,查阅了一些资料,这些资料对训练过程陈述的很详细,但是缺少一些细节,偶然
  • 我的问题:有了opencv自带的那些xml人脸检测文档,我们就可以用cvLoad()这个函数加载他们,让他们对我们的人脸进行检测,但是,现在生活中的计算机视觉并不远远是检测人脸,还有很多物品需要识别,所以,能不能...
  • 一文解决OpenCV训练分类器制作xml文档的所有问题

    千次阅读 多人点赞 2016-08-24 15:33:49
    Opencv训练人脸/物体分类器,制作XML文档
  • 利用opencv训练分类器

    千次阅读 2015-07-19 15:13:30
    该方法的基本步骤为: 首先,利用样本(大约几百幅样本图片)的harr 特征进行分类器训练,得到一个级联的boosted分类器。分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中,被检窗口依次...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 16,729
精华内容 6,691
关键字:

opencv训练过程