使用OPENCV级联分类器训练模型。首先我们要有opencv_createsamples.exe和opencv_traincascade.exe这两个可执行文件及依赖项。需要的可以私聊我。
第一步：创建一个文件夹，将正样本（想要识别的图片）放到一个文件夹里，这里我们将这个文件夹命名为1。
这里我随便找了一个物体作为识别对象，最初拍摄的照片名字很乱，这里我们要进行重命名，以便程序里使用。（注意：这里的正样本数量要足够多，这样识别率会提高，这里为了方便只使用了8个正样本）
第二步：我们要将这些图片转化为灰度图片。
import cv2
imagepath = "C:/Users/huawei/Desktop/1/"
imagepath1 = "C:/Users/huawei/Desktop/pos/"
#转化灰度图和重置大小函数
for i in range(1,9):
image = cv2.imread(imagepath+'1 ('+str(i)+')'+'.jpg',1)
gray = cv2.cvtColor(image,code = cv2.COLOR_BGR2GRAY)
gray1 = cv2.resize(gray,dsize = (50,50))
cv2.imwrite(imagepath1+str(i)+'.jpg',gray1)这里imagepath的路径是未作处理时的正样本图片路径，imagepath1的路径是经过灰度等处理过的将要保存的路径。结果如下图。
第三步：这里提供了负样本处理过的图片，链接：https://pan.baidu.com/s/1omQyLDSn9Buo2jeG5SEJxg
提取码：acno
第四步：创建正样本的描述文件。
import os
PATH = "C:/Users/huawei/Desktop/pos"
dirs = os.listdir(PATH)
for i in dirs:
print(i)
line1 = PATH+'/'+i+' 1 0 0 50 50\n'
with open('C:/Users/huawei/Desktop/info.txt','a') as f:
f.write(line1)
print(f)正样本的描述文件放在info.txt文件里，这里的1 0 0 50 50分别表示 1表示类别 ，0 0 50 50是你处理后正样本的大小格式。
第五步：创建负样本的描述文件 。
#描述负文本
import os
PATH = "D:/OPENCVtrain/neg"
dirs = os.listdir(PATH)
for i in dirs:
print(i)
line1 = PATH+'/'+i+'\n'
with open('C:/Users/huawei/Desktop/bg.txt','a') as f:
f.write(line1)
负样本的描述文件保存到bg.txt文件里，部分截图如下。
第六步：将正样本描述文件（info.txt）和负样本描述文件（bg.txt)放到包含opencv_createsamples.exe和opencv_traincascade.exe的文件夹内，并且创建data文件夹。
第七步：在cmd命令窗口进入含有第六步的两个可执行文件的文件里，输入opencv_createsamples -info info.txt -num 8 -w 50 -h 50 -vec positives.vec，会创建一个下面这个文件。这是我们训练模型时候需要用到的文件。
第八步：第七步执行后，输入opencv_traincascade.exe -data data -vec positives.vec -bg bg.txt -numPos 8 -numNeg 80 -numStages 10 -w 50 -h 50命令。就会开始训练。
这两条命令里出现很多参数。参数的含义总结如下。
通用参数：
-data <cascade_dir_name>：目录用于保存训练产生的分类器xml文件和中间文件（对于上面的LBP_classifier），如不存在训练程序会创建它；
-vec <vec_file_name>：由 opencv_createsamples 程序生成的包含正样本的vec文件名（对应上面的pos_24_24.vec）；
-bg <background_file_name>：背景描述文件，也就是包含负样本文件名的那个描述文件（对应上面的neg\neg.txt）；
-numPos <number_of_positive_samples>：每级分类器训练时所用的正样本数目（默认值为2000）；
-numNeg <number_of_negative_samples>：每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目（默认值为1000）；
-numStages <number_of_stages>：训练的分类器的级数（默认值为20级）；
-precalcValBufSize <precalculated_vals_buffer_size_in_Mb>：缓存大小，用于存储预先计算的特征值(feature values)，单位为MB（默认值为256）；
-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>：缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB（默认值为256）；
内存越大，训练时间越短。
-baseFormatSave：这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储（默认不指定该参数项，此时其值为false；一旦指定则其值默认为true）；
级联参数：CvCascadeParams类，定义于cascadeclassifier.h
-stageType <BOOST(default)>：级别（stage）参数。目前只支持将BOOST分类器作为级联的类型；
-featureType<{HAAR(default), LBP}>：特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征（默认Harr）；
-w <sampleWidth>：训练样本的宽（单位为像素，默认24）；
-h <sampleHeight>：训练样本的高（单位为像素，默认24）；
训练样本的尺寸必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。
Boosted分类器参数：CvCascadeBoostParams类，定义于boost.h
-bt <{DAB, RAB, LB, GAB(default)}>：Boosted分类器的类型（DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost为默认）；
-minHitRate <min_hit_rate>：分类器的每一级希望得到的最小检测率（默认值为0.995），总的检测率大约为 min_hit_rate^number_of_stages；
-maxFalseAlarmRate <max_false_alarm_rate>：分类器的每一级希望得到的最大误检率（默认值为0.5），总的误检率大约为 max_false_alarm_rate^number_of_stages；
-weightTrimRate <weight_trim_rate>：Specifies whether trimming should be used and its weight，一个还不错的数值是0.95；
-maxDepth <max_depth_of_weak_tree>：弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）；
-maxWeakCount <max_weak_tree_count>：每一级中的弱分类器的最大数目（默认值为100）。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate；
第九步：训练完成后就会在data文件（这是第六步让创建的文件夹）里生成cascade文件，这个就是我们所需要的文件。
第十步：编写识别物体的程序。
#识别图片
import cv2
import numpy as np
image = cv2.imread("C:/Users/huawei/Desktop/1/1 (1).jpg",1)
gary = cv2.cvtColor(image,code = cv2.COLOR_BGR2GRAY)
face_cascade = cv2.CascadeClassifier('D:/OPENCVtrain/opencv_bin/data/cascade.xml')
box = face_cascade.detectMultiScale(gary,scaleFactor=1.1,minNeighbors=7,minSize=[100,100])
for x,y,w,h in box:
img1 = cv2.rectangle(image,(x,y),(x+w,y+h),(0,0,255),2)
cv2.imshow('img',img1)
cv2.waitKey(0)
cv2.destroyAllWindows()为了方便，我们读取了未处理前的正样本图片进行测试。
cv2.CascadeClassifier('D:/OPENCVtrain/opencv_bin/data/cascade.xml')
#这里的路径就是保存cascade.xml文件的路径这样我们就完成了训练，因为我们这里正样本只用了8个，所以识别效果不是很好，这里只是讲述的一个大概过程，如果想要识别效果好，尽量多的正样本图片。
本人第一次写的博客，如有不对，忘各位指点。