如何用OpenCV训练自己的分类器

OpenCV是一个开源的图像处理库，QML是Qt官方推出的一个描述性语言，QtMarkupLanguage，QtQuick也是Qt官方推出的一个技术框架，在开发嵌入式、动态触屏等时有一定的优势。

模块的作用：

打一个很简单的比方，QML就是Qt的HTML，C就是Qt的JavaScript，而QtQuick相当于一些已经集成好的开发框架，使开发应用程序变得更加简单省事。

OpenCV是一个基于C/C的开源图像处理库，和Qt本身没有太多关联，其主要是用于计算机视觉和图形开发，Qt的扩展应用OpenCV并不是每个应用程序都要用到，只是某些有特殊需求的应用程序可以更方便地使用Qt扩展的OpenCV应用。比如说用Qt开发一个软件，要使用人脸识别功能，就可以集成OpenCV来实现。

使用频率：

虽然说QML相当于HTML，C相当于JavaScript，但是还是有一定区别：所有的网页都是通过解析HTML渲染出的，JavaScript虽然可以动态改变网页，但是最终还是通过改变HTML来达到效果；QML、C的关系恰好反过来，在Qt中，C是“更加底层”的，QML使用更加简单的标记语言的语法来调用底层的C绘图支持API，从而提高程序开发的效率。

使用QML可以更快速、简捷地开发应用程序，在Qt中的使用频率也是很高的，不过这要根据特定开发人群、开发目标而定。有些开发者习惯直接使用C开发，而有些开发者更喜欢简单的QML，很多时候都是“用QML开发用户界面，用C开发业务逻辑”，但是用C开发用户界面的也不在少数。

QtQuick是一套开发框架，核心语言就是QML。

QtQuick的使用频率不低，从Qt的NewProject界面就可以看出，QtQuick是和Qt传统的CWidge平起平坐的（当然还有QtforPython等）。

OpenCV在不需要图形处理功能的情况下是不需要用到的，所以不怎么好说“使用频率”，因为这是针对特定的软件需求来的。

是否有必要学习：

QtQuick能够使应用程序开发更有效率，但是并不是开发一个程序必备的，能用QtQuick开发的，C肯定能够做出来，但是耗费时间、精力更多。在Qt开发工作这一块，掌握Qt的核心功能是必须的，而且这还远远不够。在招聘的时候肯定是考察应聘者对Qt各种技术和开发思想的理解和掌握情况，而QtQuick是官方推出的框架，掌握其开发方法应该是基本功。

OpenCV(开源计算机视觉库 >

说白了就是将VS第一次配置OpenCV的项目属性表保存下来，每次新建项目时引用即可。

目录

解压OpenCV

配置系统环境变量

创建VS新项目

添加项目属性表

配置项目属性表

引用项目属性表

声明：

以

下展示内容，配置方案为OpenCV249+VS2013+win10+x64，但方法适用于OpenCV248、OpenCV249、

OpenCV2410，适用于win7、win81、win10，适用于x64和x84（下面会讲解如何对应修改）。如果问为什么适用？因为我都试

过啊~

会一次性配置的知友请直接看第四部分和第六部分，因为其余部分跟一次性配置是一样的。

一、解压OpenCV

比如本人解压在G盘根目录下

二、配置系统环境变量

打开“系统属性”，点击“环境变量”

双击Path的值部分

填上OpenCV的bin路径

注意：

1、此时电脑最好重启下。

2、如果你的应用程序是win32控制台应用程序，则选择x32的路径；如果你的应用程序是win64控制台应用程序，则选择x64的路径。（感谢 @吴信仰 的指正和解惑。）

3、vc10, vc11, vc12 分别表示VS2010, VS2012, VS2013的Visual Studio使用的编译器版本，根据自己的VS版本来填写正确的编译器版本号。

三、创建VS新项目

四、添加项目属性表

“视图”打开“属性窗口”

右击“Debug|Win32”点击“添加新项目属性表”（如果想在Release模式下使用OpenCV，右击Release|Win32，同理可得）

给属性表命名

五、配置项目属性表

双击创建的属性表

51添加包含目录

52添加附加库目录

注意：

1、如果你的应用程序是win32控制台应用程序，则选择x32的路径；如果你的应用程序是win64控制台应用程序，则选择x64的路径。

2、vc10, vc11, vc12 分别表示VS2010, VS2012, VS2013的Visual Studio使用的编译器版本，根据自己的VS版本来填写正确的编译器版本号。

53添加附加依赖项

附加依赖项如下：

opencv_imgproc249dlib

opencv_calib3d249dlib

opencv_contrib249dlib

opencv_core249dlib

opencv_features2d249dlib

opencv_flann249dlib

opencv_gpu249dlib

opencv_highgui249dlib

opencv_legacy249dlib

opencv_ml249dlib

opencv_nonfree249dlib

opencv_objdetect249dlib

opencv_ocl249dlib

opencv_photo249dlib

opencv_stitching249dlib

opencv_superres249dlib

opencv_ts249dlib

opencv_video249dlib

opencv_videostab249dlib

注意：

1、249对应OpenCV249，其他版本做对应修改。

2、后缀d代表Debug模式，如果是Release模式去掉d。依个人情况选择Debug模式或者Release模式。

六、引用项目属性表

打开项目目录，你会看到如下文件

以后新建项目时，打开属性管理器，右击Debug|Win32选择添加现有属性表上述文件即可。

========================

以上，应该算VS一次配置永久使用OpenCV了^ ^

编辑于 2016-05-13

12 条评论

感谢

分享

收藏

•

没有帮助

•

举报

•

作者保留权利

ZZ Chris

，在野武将

18 人赞同

不同意vczh的做法，遇到需要切换opencv版本的情况太麻烦。

请认准属性表，一次编写，到处使用，系统环境变量你都不需要设定，所有设定都写在属性表文件中，用的时候在vs里导入属性表。如果要切换opencv版本，只修改opencv编译输出目录就可以了。

比如OpenCV30版的，可以命名为opencv300props：

<xml version="10" encoding="utf-8">

<!--

OpenCV 300属性表文件

不用单独配置环境变量OpenCV

也不用单独在系统PATH上添加OpenCV可执行路径

只需要在VisualStudio-"菜单"-"视图"-"属性管理器"中添加现有属性表，添加本文件

使用前请将下面的OpenCVRoot修改为你的OpenCV编译输出目录

-->

<Project ToolsVersion="40" xmlns=">

霍夫变换（Hough Transform）是图像处理领域中，从图像中识别几何形状的基本方法之一。主要识别具有某些相同特征的几何形状，例如直线，圆形，本篇博客的目标就是从黑白图像中识别出直线。

翻阅霍夫直线变换的原理时候，橡皮擦觉得原理部分需要先略过，否则很容易在这个地方陷进去，但是问题来了，这个原理略过了，直接应用函数，里面有些参数竟然看不懂。例如极坐标，角度扫描范围，这种函数就属于绕不过去的知识点了，所以本文转移方向，死磕原理，下面的博文将语无伦次的为你展示如何学习原理知识。

因为数学知识的贫乏，所以在学习阶段会涉及到很多基础概念的学习，一起来吧。

首先找到相对官方的资料，打开该 地址

下面是一个数学小白对原理的学习经验。

教材说：众所周知，一条直线在图像二维空间可由两个变量表示。

抱歉，小白还真不知道……即使学习过，这些年也早已经还给老师了。

一开始难道要学习笛卡尔坐标系，不，你低估小白的能力了，我第一个查询的是 θ 读作 西塔 ，是一个希腊字母。

什么是笛卡尔坐标系？

这个比较简单，直角坐标系。

斜率和截距

斜率，亦称“角系数”，表示一条直线相对于横坐标轴的倾斜程度。

一条直线与某平面直角坐标系横坐标轴正半轴方向的夹角的正切值即该直线相对于该坐标系的斜率。

如果直线与 x 轴互相垂直，直角的正切直无穷大，故此直线不存在斜率。

对于一次函数 y=kx+b ， k 就是该函数图像的斜率。

在学习的时候，也学到如下内容：

截距：对 x 的截距就是 y=0 时， x 的值，对 y 的截距就是 x=0 时， y 的值，

截距就是直线与坐标轴的交点的横（纵）坐标。 x 截距为 a ， y 截距 b ，截距式就是： x/a+y/b=1（a≠0且b≠0） 。

斜率：对于任意函数上任意一点，其斜率等于其切线与 x 轴正方向所成的角，即 k=tanα 。 ax+by+c=0中，k=-a/b 。

什么是极坐标系？

关于极坐标系，打开 百度百科 学习一下即可。

重点学到下面这个结论就行：

找资料的时候，发现一个解释的比较清楚的 博客 ，后续可以继续学习使用。

继续阅读资料，看到如下所示的图，这个图也出现在了很多解释原理的博客里面，但是图下面写了一句话

在这里直接蒙掉了，怎么就表示成极坐标系了？上面这个公式依旧是笛卡尔坐标系表示直线的方式呀，只是把 k 和 b 的值给替换掉了。

为何是这样的，具体原因可以参照下图。

<center>chou 图</center>

继续寻找关于霍夫变换的资料，找到一个新的概念 霍夫空间 。

在笛卡尔坐标系中，一条直线可以用公式 表示，其中 k 和 b 是参数，表示的是斜率和截距。

接下来将方程改写为 ，这时就建立了一个基于 k - b 的笛卡尔坐标系。

此时这个新的方程在 k - b 坐标系也有一个新的直线。

你可以在纸上画出这两个方程对应的线和点，如下图所示即可。

<center>chou 图</center>

新的 k - b 坐标系就叫做霍夫空间，这时得到一个结论，图像空间 x - y 中的点 对应了 霍夫空间 k - b 中的一条直线 ，即图像空间的点与霍夫空间的直线发生了对应关系。

如果在图像空间 x - y 中在增加一个点 ，那相应的该点在霍夫空间也会产生相同的点与线的对应关系，并且 A 点与 B 点产生的直线会在霍夫空间相交于一个点。而这个点的坐标值 就是直线 AB 的参数。

如果到这里你掌握了，这个性质就为我们解决直线检测提供了方法，只需要把图像空间的直线对应到霍夫空间的点，然后统计交点就可以达到目的，例如图像空间中有 3 条直线，那对应到霍夫空间就会有 3 个峰值点。

遍历图像空间中的所有点，将点转换到霍夫空间，形成大量直线，然后统计出直线交会的点，每个点的坐标都是图像空间直线方程参数，这时就能得到图像空间的直线了。

上述的内容没有问题，但是存在一种情况是，当直线趋近于垂直时，斜率 k 会趋近于无穷大，这时就没有办法转换了，解决办法是使用法线来表示直线。

上文提及的斜截式如下：

通过第二个公式，可以得到下述公式：

此时，我们可以带入一些数值进行转换。

图像空间有如下的几个点：

转换后的函数，都可以在霍夫空间 θ - ρ （横坐标是 θ ，纵坐标是 ρ ）进行表示。

原理这时就比较清晰了：

除了一些数学知识以外，经典的博客我们也有必要记录一下，方便后面学习的时候，进行复盘。

本部分用于记录本文中提及的相关数学原理，后续还要逐步埋坑。

今天涉及了一点点数学知识，能力限制，大家一起学习，有错误的地方，可以在评论区指出，不胜感激。

希望今天的 1 个小时（今天内容有点多，不一定可以看完），你有所收获，我们下篇博客见~

相关阅读

技术专栏

逗趣程序员

1如果跑到某一个分类器时，几个小时也没有反应，而且显示不出训练百分比，这是因为你的负样本数量太少，或者负样本的尺寸太小，所有的负样本在这个分类器都被reject了，程序进入不了下一个循环，果断放弃吧。解决方法：负样本尽量要大一些，比如我的正样本是4015，共300个,负样本是640480，共500个。

2读取样本时报错：Negative or too large argument of CvAlloc function，网上说这个错误是因为opencv规定单幅iplimage的内存分配不能超过10000，可是我的每个负样本都不会超过这个大小，具体原因不明。后来我把负样本的数量减少，尺寸加大，这个问题就解决了。

最近要做一个性别识别的项目，在人脸检测与五官定位上我采用OPENCV的haartraining进行定位，这里介绍下这两天我学习的如何用opencv训练自己的分类器。在这两天的学习里，我遇到了不少问题，不过我遇到了几个好心的大侠帮我解决了不少问题，特别是无忌，在这里我再次感谢他的帮助。

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）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，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。

分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对进行几次扫描。

目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。

"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。

根据上面的分析，目标检测分为三个步骤：

1、 样本的创建

2、 训练分类器

3、 利用训练好的分类器进行目标检测。

二、样本创建

训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意。

负样本

负样本可以来自于任意的，但这些不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本的文件名（基于描述文件的相对路径）。该文件创建方法如下：

采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的目录，比如我的放在D:\face\posdata下，则：

按Ctrl+R打开Windows运行程序，输入cmd打开DOS命令窗口，输入d:回车，再输入cd D:\face\negdata进入路径，再次输入dir /b > negdatadat，则会路径下生成一个negdatadat文件，打开该文件将最后一行的negdatadat删除，这样就生成了负样本描述文件。dos命令窗口结果如下图：

正样本

对于正样本，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小），如下图所示：

由于HaarTraining训练时输入的正样本是vec文件，所以需要使用OpenCV自带的CreateSamples程序（在你所按照的opencv\bin下，如果没有需要编译opencv\apps\HaarTraining\make下的dsw文件，注意要编译release版的）将准备好的正样本转换为vec文件。转换的步骤如下：

1) 制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在中的位置和大小。典型的正样本描述文件如下：

posdata/1(10)bmp 1 1 1 23 23

posdata/1(11)bmp 1 1 1 23 23

posdata/1(12)bmp 1 1 1 23 23

不过你可以把描述文件放在你的posdata路径（即正样本路径）下，这样你就不需要加前面的相对路径了。同样它的生成方式可以用负样本描述文件的生成方法，最后用txt的替换工具将“bmp”全部替换成“bmp 1 1 1 23 23

”就可以了，如果你的样本多，用txt替换会导致程序未响应，你可以将内容拷到word下替换，然后再拷回来。bmp后面那五个数字分别表示个数，目标的起始位置及其宽高。这样就生成了正样本描述文件posdatadat。

2) 运行CreateSamples程序。如果直接在VC环境下运行，可以在Project\Settings\Debug属性页的Program arguments栏设置运行参数。下面是一个运行参数示例：

-info D:\face\posdata\posdatadat -vec D:\face\posvec -num 50 -w 20 -h 20

表示有50个样本，样本宽20，高20，正样本描述文件为posdatadat，结果输出到posvec。

或者在dos下输入：

"D:\Program Files\OpenCV\bin\createsamplesexe" -info "posdata\posdatadat" -vec data\posvec -num 50 -w 20 -h 20

运行完了会d:\face\data下生成一个vec的文件。该文件包含正样本数目，宽高以及所有样本图像数据。结果入下图：

Createsamples程序的命令行参数：

命令行参数：

－vec <vec_file_name>

训练好的正样本的输出文件名。

－img<image_file_name>

源目标（例如：一个公司图标）

－bg<background_file_name>

背景描述文件。

－num<number_of_samples>

要产生的正样本的数量，和正样本数目相同。

－bgcolor<background_color>

背景色（假定当前为灰度图）。背景色制定了透明色。对于压缩，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh和bgcolor＋bgthresh中间的像素被认为是透明的。

－bgthresh<background_color_threshold>

－inv

如果指定，颜色会反色

－randinv

如果指定，颜色会任意反色

－maxidev<max_intensity_deviation>

背景色最大的偏离度。

－maxangel<max_x_rotation_angle>

－maxangle<max_y_rotation_angle>，

－maxzangle<max_x_rotation_angle>

最大旋转角度，以弧度为单位。

－show

如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本，而创建过程继续。这是个有用的debug选项。

－w<sample_width>

输出样本的宽度（以像素为单位）

－h《sample_height》

输出样本的高度，以像素为单位。

到此第一步样本训练就完成了。恭喜你，你已经学会训练分类器的五成功力了，我自己学这个的时候花了我一天的时间，估计你几分钟就学会了吧。

三、训练分类器

样本创建之后，接下来要训练分类器，这个过程是由haartraining程序来实现的。该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。

Haartraining的命令行参数如下：

－data<dir_name>

存放训练好的分类器的路径名。

－vec<vec_file_name>

正样本文件名（由trainingssamples程序或者由其他的方法创建的）

－bg<background_file_name>

背景描述文件。

－npos<number_of_positive_samples>，

－nneg<number_of_negative_samples>

用来训练每一个分类器阶段的正/负样本。合理的值是：nPos = 7000;nNeg = 3000

－nstages<number_of_stages>

训练的阶段数。

－nsplits<number_of_splits>

决定用于阶段分类器的弱分类器。如果1，则一个简单的stump classifier被使用。如果是2或者更多，则带有number_of_splits个内部节点的CART分类器被使用。

－mem<memory_in_MB>

预先计算的以MB为单位的可用内存。内存越大则训练的速度越快。

－sym（default）

－nonsym

指定训练的目标对象是否垂直对称。垂直对称提高目标的训练速度。例如，正面部是垂直对称的。

－minhitrate《min_hit_rate》

每个阶段分类器需要的最小的命中率。总的命中率为min_hit_rate的number_of_stages次方。

－maxfalsealarm<max_false_alarm_rate>

没有阶段分类器的最大错误报警率。总的错误警告率为max_false_alarm_rate的number_of_stages次方。

－weighttrimming<weight_trimming>

指定是否使用权修正和使用多大的权修正。一个基本的选择是09

－eqw

－mode<basic(default)|core|all>

选择用来训练的haar特征集的种类。basic仅仅使用垂直特征。all使用垂直和45度角旋转特征。

－w《sample_width》

－h《sample_height》

训练样本的尺寸，（以像素为单位）。必须和训练样本创建的尺寸相同。

一个训练分类器的例子：

"D:\Program Files\OpenCV\bin\haartrainingexe" -data data\cascade -vec data\posvec -bg negdata\negdatadat -npos 49 -nneg 49 -mem 200 -mode ALL -w 20 -h 20

训练结束后，会在目录data下生成一些子目录，即为训练好的分类器。

训练结果如下：

恭喜你，你已经学会训练分类器的九成功力了。

四：利用训练好的分类器进行目标检测。

这一步需要用到performanceexe，该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。

performanceexe -data data/cascade -info posdata/testdat -w 20 -h 20 -rs 30

performance的命令行参数如下：

Usage: /performance

-data <classifier_directory_name>

-info <collection_file_name>

[-maxSizeDiff <max_size_difference = 1500000>]

[-maxPosDiff <max_position_difference = 0300000>]

[-sf <scale_factor = 1200000>]

[-ni]

[-nos <number_of_stages = -1>]

[-rs <roc_size = 40>]

[-w <sample_width = 24>]

[-h <sample_height = 24>]

也可以用opencv的cvHaarDetectObjects函数进行检测：

CvSeq faces = cvHaarDetectObjects( img, cascade, storage,11, 2, CV_HAAR_DO_CANNY_PRUNING,cvSize(40, 40) ); //3 检测人脸

以上就是关于如何用OpenCV训练自己的分类器全部的内容，包括:如何用OpenCV训练自己的分类器、基于opencv的静态背景下的运动目标计数，急求源代码，谢谢！、OpenCV_opencv毛星云等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！