OpenCV4.5.4训练级联分类器的代码，用pycharm写代码

以下是使用PyCharm编写OpenCV 4.5.4级联分类器训练的代码：

1. 安装OpenCV 4.5.4和numpy库

pip install opencv-python==4.5.4.58 numpy

2. 准备训练数据

将正样本和负样本图片分别放入两个文件夹中，并将文件夹路径记录下来。

3. 编写代码

import cv2
import numpy as np

# 设置正样本和负样本文件夹路径
pos_path = "path/to/positive/folder"
neg_path = "path/to/negative/folder"

# 设置输出文件夹路径和级联分类器名称
output_folder_path = "path/to/output/folder"
cascade_name = "my_cascade.xml"

# 设置级联分类器的宽度和高度
width, height = 24, 24

# 准备训练数据
pos_images = []
neg_images = []

# 加载正样本
for filename in os.listdir(pos_path):
    image = cv2.imread(os.path.join(pos_path, filename), cv2.IMREAD_GRAYSCALE)
    if image is not None:
        pos_images.append(image)

# 加载负样本
for filename in os.listdir(neg_path):
    image = cv2.imread(os.path.join(neg_path, filename), cv2.IMREAD_GRAYSCALE)
    if image is not None:
        neg_images.append(image)

# 设置正样本和负样本的标签
pos_labels = np.ones(len(pos_images), np.int32)
neg_labels = np.zeros(len(neg_images), np.int32)

# 将正样本和负样本合并
images = np.concatenate((pos_images, neg_images))
labels = np.concatenate((pos_labels, neg_labels))

# 创建Haar特征分类器
haar_cascade = cv2.CascadeClassifier("path/to/haarcascade_frontalface_default.xml")

# 计算Haar特征
features = []
for image in images:
    feature = haar_cascade.detectMultiScale(image, 1.1, 5)
    if len(feature) > 0:
        feature = feature[0]
        feature = cv2.resize(image[feature[1]:feature[1]+feature[3], feature[0]:feature[0]+feature[2]], (width, height))
        features.append(feature)

# 将Haar特征转换为numpy数组
features = np.array(features)

# 将Haar特征和标签分为训练集和测试集
train_features, test_features, train_labels, test_labels = train_test_split(features, labels, test_size=0.2)

# 创建级联分类器
cascade = cv2.CascadeClassifier()

# 训练级联分类器
cascade.train(train_features, train_labels, width=width, height=height)

# 评估级联分类器
accuracy = cascade.evaluate(test_features, test_labels)

# 保存级联分类器
cascade.save(os.path.join(output_folder_path, cascade_name))

# 打印准确度
print("Accuracy:", accuracy)

以上代码中，我们首先设置了正样本和负样本的文件夹路径，并设置了输出文件夹路径和级联分类器名称。然后，我们加载了正样本和负样本的图片，并将它们分别存储在两个列表中。接下来，我们将正样本和负样本的标签设置为1和0，并将它们合并为一个标签列表。然后，我们使用Haar特征分类器计算Haar特征，并将其转换为numpy数组。最后，我们将Haar特征和标签分为训练集和测试集，并使用级联分类器训练数据。在训练完成后，我们评估了级联分类器的准确度，并将其保存到指定的文件夹中。