OpenCV中训练CascadeClassifier（级联分类器）

最新推荐文章于 2025-05-17 23:00:42 发布

泥石流中的一股清流

最新推荐文章于 2025-05-17 23:00:42 发布

阅读量4.4k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Opencv3笔记文章标签： OpenCV Cascade

本文链接：https://blog.youkuaiyun.com/qq_31261509/article/details/85076720

本文介绍了OpenCV中的级联分类器，重点在于训练过程，包括数据收集、正负样本生成。然而，由于CPU训练速度慢且准确率不高，作者决定不更新后续内容。建议使用labelImg工具进行数据标注。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考:

Cascade Classifier Training
[OpenCV3]级联分类器训练——traincascade快速使用详解

级联分类器介绍

文章总概：Cascade分类器全程级联增强弱分类器(boosted cascade of weak classifiers)，而使用此分类器主要包括两方面------训练&定位。而麻烦的在于训练，如何训练，正是这篇文章将要介绍的：1.收集数据，2.准备训练数据以及训练模型。
个人理解：人脸检测中一个比较好的算法是mtcnn网络，也是一个级联分类器，与Cascade的区别在于一个用的卷积神经网络，一个用的是Haar或者LBP提取特征。而弱分类器的原理可以总结为：一个分类器通过学习而能够分辨的特征的能力有限，但如果让多个分类器去学习识别不同的特征，这样通过多个分类器进行分类后，所产生的结果错误率将极大降低。

数据准备

不更新了，只能用CPU训练的速度太慢了，而且网上都说这种方法的正确率不太好，所以不更新了

可以通过官方给的样本做正样本标签，也可以通过此工具labelImg，建议使用后者，后者在大数据集方面使用较多(列如微软VOC数据集)。

正样本以及负样本生成

正负样本生成脚本

import sys
import numpy as np
import xml.etree.ElementTree as ET
import cv2
import os
import numpy.random as npr
from utils import IoU
from utils import ensure_directory_exists

save_dir = "/home/rui"
anno_path = "./firepos/annotation"
im_dir = "./firepos/images"
pos_save_dir = os.path.join(save_dir, "./res/positive")
neg_save_dir = os.path.join(save_dir, './res/negative')

ensure_directory_exists(pos_save_dir)
ensure_directory_exists(neg_save_dir)


names_xml = os.listdir(anno_path)

img_rule_h = 45
img_rule_w = 45

size = img_rule_h

num = len(names_xml)
print "%d pics in total" % num
p_idx = 0 # positive
n_idx = 0 # negative
d_idx = 0 # dont care
idx = 0
box_idx = 0
for ne_xml in names_xml:
    tree = ET.parse(os.path.join(anno_path, ne_xml))
    root = tree.getroot()
    loc_bbox = []
    width_xml = root.find("size").find("width").text
    height_xml = root.find("size").find("height").text
    for node in root.findall