环境：opencv-4.0，python，c++
方法：opencv_createsamples，opencv_traincascade，haar特征或者lbp特征+cascade分类器
流程：

    收集样本，处理样本
    训练分类器
    目标检测

一.
收集样本，处理样本
收集正样本

关于正样本的收集，一张或多张都可以，首先对样本进行处理，我收集了50个正样本。
在这里插入图片描述
处理正样本

处理样本，灰度化，归一化，大小为（50, 50）

path = "/home/yk/project/pyCharm/train/true/"
for i in range(1, 51):
    print(path+str(i)+'.jpg')
    img = cv2.imread(path+str(i)+'.jpg', cv2.IMREAD_GRAYSCALE)
    img5050 = cv2.resize(img, (50, 50))
    cv2.imshow("img", img5050)
    cv2.waitKey(20)
    cv2.imwrite('/home/yk/project/pyCharm/train/pos/'+str(i)+'.jpg', img5050)

处理后效果
在这里插入图片描述

二.
收集负样本

关于负样本，只要不含有正样本图片即可，最好是识别场景的图片。
我找到一个负样本下载链接。https://pythonprogramming.net/static/images/opencv/negative-background-images.zip
下载后如图

在这里插入图片描述

三.
生成描述文件

正负样本描述文件生成。

import os
def create_pos_n_neg():
    for file_type in ['neg']:
        for img in os.listdir(file_type):
            if (file_type == 'neg'):
                line = file_type + '/' + img + '\n'
                with open('bg.txt', 'a') as f:
                    f.write(line)
            elif (file_type == 'pos'):
                line = file_type + '/' + img + ' 1 0 0 50 50\n'
                with open('info.txt', 'a') as f:
                    f.write(line)

if __name__ == '__main__':
    create_pos_n_neg()

生成bg.txt(负)文件和info.txt(正)

四.
opencv_createsamples -vec pos.vec -info info.txt -bg bg.txt -w 20 -h 20 -num 4100     （num为生成正样本数目）
生成pos.vec文件

指令说明:
-vec pos.vec：指定生成的文件，最终生成的就是pos.vec；
-info pos_img\pos.txt：目标图片描述文件，在pos\pos.txt；
-bg neg_img\neg.txt：背景图片描述文件，在neg\neg.txt；
-w 20：输出样本的宽度，20；
-h 20：输出样本的高度，20；

五.
opencv_traincascade -vec pos.vec -bg bg.txt -data xml -w 20 -h 20 -mem 1024 -npos 4000 -nneg 23000 -mode ALL
开始训练(xml为提前创建的文件夹)

opencv_traincascade -data xml -vec pos.vec -bg bg.txt -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -numPos 4000 -numNeg 12000 -w 20 -h 20 -mode ALL

指令说明:
-vec pos.vec：正样本文件名；
-bg neg_img\neg.txt：背景描述文件；
-data xml：指定存放训练好的分类器的路径名，也就是前面建立的xml文件夹；
-w 20：样本图片宽度，20；
-h 20：样本图片高度，20；
-mem 1024：提供的以MB为单位的内存，很明显，这个值越大，提供的内存越多，运算也越快；
-npos 45：取45个正样本，小于总正样本数；
-neg 180：取180个负样本，小于总负样本数；
-nstages 5：指定训练层数，层数越高耗时越长；(可以不写)
-maxFalseAlarmRate 0.5：分类器的每一级希望得到的最大误检率，总的误检率大约为max_false_rate*number_of_stages(0.4~0.5)
-mode: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。
minHitRate 0.9999：分类器的每一级希望得到的最小检测率，总的最大检测率大约为min_hit_ratenumber_of_stages
minHitRate：影响每个强分类器阈值，当设置为0.95时如果正训练样本个数为10000个，那么其中的500个就很可能背叛别为负样本，第二次选择的时候必须多选择后面的500个，按照这种规律为后面的每级多增加numPosminHitRate个正样本，根据训练的级数可以得到如下公式