Alex_XT的博客

简介在上一篇文章中，我介绍了《使用Adaboost训练车牌定位》的前两个步骤： 1.准备训练样本图片，包括正例及反例样本 2.生成样本描述文件 3.训练样本 4.目标识别================= 今天第3步：基于haar特征的adaboost级联分类器的训练。若将本步骤看做一个系统，则输入为正样本的描述文件(.vec)以及负样本的说明文件(.dat)；输出为分类器配置参数文件(.

简介1.准备训练样本图片，包括正例及反例样本2.生成样本描述文件3.训练样本4.目标识别生成了xml接下来，开始识别了！！！ 目标识别，也即利用前面训练出来的分类器文件(.xml文件)对图片中的物体进行识别，并在图中框出在该物体。由于逻辑比较简单，这里直接上代码：// ConsoleApplication2.cpp : 定义控制台应用程序的入口点。 //#include "stdafx.h" #i

简介本系列文章旨在学习如何在opencv中基于Adaboost+haar-like特征训练自己的分类器，并且用该分类器用于模式识别。 haar是一种特征，adaboost是一种重采样技术，一般称之为adaboost分类器；没有haar分类器一说；另外，opencv自带的人脸检测.xml就是用haar+adaboost训练的； 该过程大致可以分为一下几个大步骤：1.准备训练样本图片，包括正例及反例

1、正样本 ''' Created on 2017年10月5日@author: XT ''' import os.path import cv2 import numpy as npfile_dir = "F:\\objectmarker_AutoSparePart\\" classes = {"pos0"} i = 0 for index,name in enumerate(classes):