---

---

訓練自定義的 Haar 級聯分類器是一個復雜但非常有用的過程，允許你檢測特定的目標對象。以下是詳細的步驟流程，包括數據準備、工具使用和訓練過程。

---

1. 準備工作

在開始訓練之前，確保你已經安裝了 OpenCV，并且可以使用 OpenCV 提供的工具（如 opencv_createsamples 和 opencv_traincascade）。

1.1安裝 OpenCV

如果你還沒有安裝 OpenCV，可以通過以下命令安裝：

pip install opencv-python opencv-python-headless

確保 OpenCV 的二進制工具（如 **opencv_createsamples** 和 **opencv_traincascade**）可用。

1.2準備數據集

訓練 Haar 級聯分類器需要兩類數據：

1.2.1正樣本

    正樣本（Positive Samples）：包含**目標對象的圖像**。

1.2.2負樣本

    負樣本（Negative Samples）：不包含目標對象的圖像。

2. 數據準備

2.1 正樣本的準備

正樣本是包含目標對象的圖像。為了訓練分類器，正樣本需要滿足以下要求：

1.圖像中只包含目標對象。2.目標對象在圖像中的位置和大小應盡量一致。3.圖像背景應盡量簡單。

2.1.1步驟

1.收集包含目標對象的圖像。2.使用圖像編輯工具（如 GIMP 或 Photoshop）裁剪圖像，確保目標對象位于圖像中心，并且背景干凈。3.將所有正樣本圖像調整為相同的尺寸（例如 24x24 像素）。4.將正樣本圖像保存到一個文件夾中，例如 positive_images/。

2.1.2生成正樣本描述文件

使用 opencv_createsamples 工具生成正樣本的描述文件。描述文件是一個文本文件，每一行描述一個正樣本圖像及其目標對象的位置。

2.1.3示例命令

opencv_createsamples -info positive_images.txt -vec samples.vec -num 1000 -w 24 -h 24

1. -info positive_images.txt：指定正樣本描述文件的路徑。
2. -vec samples.vec：生成的正樣本向量文件。
3. -num 1000：正樣本的數量。
4. -w 24 -h 24：樣本圖像的寬度和高度。

2.1.4正樣本描述文件格式

positive_images.txt 文件的每一行格式如下：

image_path num_objects x y width height
positive_images/img1.jpg 1 0 0 24 24
positive_images/img2.jpg 1 0 0 24 24

2.2 負樣本的準備

負樣本是不包含目標對象的圖像。負樣本用于訓練分類器區分目標和非目標區域。

2.2.1步驟

1.收集大量不包含目標對象的圖像。2.將這些圖像保存到一個文件夾中，例如 negative_images/。3.創建一個負樣本描述文件 negatives.txt，每一行包含一個負樣本圖像的路徑。

2.2.2負樣本描述文件格式

negatives.txt 文件的每一行格式如下：

image_path
negative_images/bg1.jpg
negative_images/bg2.jpg

3. 訓練分類器

使用 opencv_traincascade 工具訓練 Haar 級聯分類器。

3.1命令格式

opencv_traincascade -data output_dir -vec samples.vec -bg negatives.txt \
-numStages 20 -minHitRate 0.995 -maxFalseAlarmRate 0.5 -numPos 1000 \
-numNeg 500 -w 24 -h 24 -mode ALL -precalcValBufSize 2048 \
-precalcIdxBufSize 2048

3.2參數說明

1.-data output_dir：指定輸出目錄，訓練結果將保存在此目錄中。2.-vec samples.vec：正樣本向量文件。3.-bg negatives.txt：負樣本描述文件。4.-numStages 20：訓練的級聯階段數（通常為 10-20）。5.-minHitRate 0.995：每個階段的最小命中率（通常為 0.995）。6.-maxFalseAlarmRate 0.5：每個階段的最大誤檢率（通常為 0.5）。7.-numPos 1000：每個階段使用的正樣本數量。8.-numNeg 500：每個階段使用的負樣本數量。9.-w 24 -h 24：樣本圖像的寬度和高度。10.-mode ALL：使用所有 Haar 特征類型。11.-precalcValBufSize 2048：預計算值緩沖區大小（以 MB 為單位）。12.-precalcIdxBufSize 2048：預計算索引緩沖區大小（以 MB 為單位）。

4. 訓練過程

訓練過程可能需要數小時甚至數天，具體時間取決于數據集的大小和計算機的性能。訓練過程中會顯示每個階段的進度和性能指標。

4.1訓練輸出

每個階段會生成一個 XML 文件（如 stage1.xml、stage2.xml 等）。
最終生成的分類器文件為 cascade.xml，保存在 output_dir 中。

5. 測試分類器

訓練完成后，可以使用生成的 cascade.xml 文件進行目標檢測。

5.1示例代碼

import cv2#加載自定義 Haar 級聯分類器
custom_cascade = cv2.CascadeClassifier('output_dir/cascade.xml')#讀取圖像
img = cv2.imread('test.jpg')#轉換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#檢測目標
objects = custom_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))#繪制檢測結果
for (x, y, w, h) in objects:cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)#顯示結果
cv2.imshow('Detected Objects', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

6. 優化分類器

如果分類器的性能不理想，可以嘗試以下優化方法：

1.增加正樣本和負樣本的數量。
2.調整訓練參數（如 -numStages、-minHitRate、-maxFalseAlarmRate）。
3.使用更高質量的樣本圖像。

總結

訓練自定義 Haar 級聯分類器的流程包括數據準備、生成樣本描述文件、訓練分類器和測試分類器。雖然訓練過程可能耗時，但通過合理的參數調整和數據優化，可以獲得高性能的分類器，用于檢測特定的目標對象。

---