基于OpenCV的Haar级联分类器：训练自己的识别器

在计算机视觉领域，Haar级联分类器是一种广泛应用于人脸检测和物体识别的技术。OpenCV提供了强大的工具和库，使得我们可以方便地训练自己的Haar级联分类器。下面将介绍基于OpenCV的Haar级联分类器的训练过程。
一、数据收集与准备
首先，你需要收集用于训练的正样本和负样本。正样本应包含你想要识别的对象，而负样本是与对象相似的背景图像。确保正样本和负样本的大小和分辨率一致。将这些图像存储在单独的文件夹中，并为每个文件夹创建一个标签文件，每行包含一个图像文件的路径和一个标签（1表示正样本，-1表示负样本）。确保标签文件与图像文件的顺序一致。
二、转换图像为.vec文件
Haar级联分类器使用.vec文件作为训练输入。使用OpenCV中的opencv_createsamples工具，将正样本图像转换为.vec文件。在命令行中运行以下命令：

opencv_createsamples -info positive_samples.txt -vec positive_samples.vec -w 24 -h 24 1

其中，positive_samples.txt是包含正样本图像路径的标签文件，-w和-h参数是.vec文件中每个样本的宽度和高度。根据实际情况设置合适的宽度和高度。
三、训练分类器
一旦你准备好.vec文件，就可以开始训练分类器了。使用OpenCV中的opencv_traincascade工具进行训练。在命令行中运行以下命令：

opencv_traincascade -data classifier -vec positive_samples.vec -bg negative_samples.txt -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -weightDecay 0.001 -numPos 10000 -numNeg 3000 -featureType 'HAAR'

其中，classifier是你要保存的训练结果文件夹，positive_samples.vec是正样本的.vec文件，negative_samples.txt是负样本的标签文件，-numPos和-numNeg参数分别指定正样本和负样本的数量。其他参数可以根据需要进行调整。
四、模型测试
完成训练后，你可以使用训练得到的分类器进行模型测试。导入OpenCV的Python库并加载分类器：

import cv2
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'classifier/haarcascade_frontalface_default.xml')

读取一张图像并转换为灰度图像：

img = cv2.imread('test.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

使用人脸级联分类器引擎进行人脸识别，返回的人脸坐标列表可用于绘制矩形框：

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.3, minNeighbors=5)
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x+w, y+h), (255, 0, 0), 2)

最后显示结果图像：

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

通过以上步骤，你已经成功地训练了自己的Haar级联分类器并进行模型测试。请注意，这只是一个简单的示例，实际应用中可能需要更复杂的数据预处理和参数调整。此外，还可以尝试使用其他特征类型和优化算法来提高分类器的性能。