使用python完成Hear-cascade分类器的训练完整代码

下面是使用Python完成Haar-cascade分类器训练的完整代码：

import cv2
import numpy as np
import os

# 定义正样本和负样本文件夹路径
positive_path = 'positive_samples/'
negative_path = 'negative_samples/'

# 保存正样本和负样本的名称到文件中
def save_file_names_to_txt(path, file_name):
    with open(file_name, 'w') as f:
        for file in os.listdir(path):
            f.write(path + file + '\n')

# 生成正样本的描述文件
def create_positive_samples_description(positive_file_name, description_file_name):
    command = 'opencv_createsamples -info {} -num {} -w {} -h {} -vec {}'.format(
        positive_file_name, len(os.listdir(positive_path)), 24, 24, 'positive_samples.vec')
    os.system(command)
    command = 'opencv_traincascade -data cascade -vec positive_samples.vec -bg {} -numPos {} -numNeg {} -numStages {} -w {} -h {}'.format(
        'bg.txt', len(os.listdir(positive_path)), len(os.listdir(negative_path)), 20, 24, 24)
    os.system(command)

# 生成负样本的描述文件
def create_negative_samples_description(negative_file_name):
    save_file_names_to_txt(negative_path, 'bg.txt')
    command = 'opencv_createsamples -info {} -num {} -w {} -h {} -vec {}'.format(
        negative_file_name, len(os.listdir(negative_path)), 24, 24, 'negative_samples.vec')
    os.system(command)
    command = 'opencv_traincascade -data cascade -vec negative_samples.vec -bg {} -numPos {} -numNeg {} -numStages {} -w {} -h {}'.format(
        'bg.txt', len(os.listdir(positive_path)), len(os.listdir(negative_path)), 20, 24, 24)
    os.system(command)

if __name__ == '__main__':
    # 保存正样本和负样本的名称到文件中
    save_file_names_to_txt(positive_path, 'positive_samples.txt')
    save_file_names_to_txt(negative_path, 'negative_samples.txt')

    # 生成正样本的描述文件
    create_positive_samples_description('positive_samples.txt', 'positive_samples_description.txt')

    # 生成负样本的描述文件
    create_negative_samples_description('negative_samples.txt')

这个代码中，我们首先定义了正样本和负样本的文件夹路径，然后使用 `os.listdir()` 函数获取文件夹中所有文件的名称，并保存到 txt 文件中。接着，我们使用 `opencv_createsamples` 函数生成正样本的描述文件，使用 `opencv_traincascade` 函数训练分类器。最后，我们使用同样的方式生成负样本的描述文件，并再次使用 `opencv_traincascade` 函数训练分类器。