基础知识这里就不讲了，最近在做车牌识别系统中的车牌定位算法，只讲讲自己训练的可以进行车牌定位的xml文件。这里我是用的是opencv2.4.4版的opencv_createsamples.exe和opencv_haartraining.exe，实验发现车牌定位效果并不是特别理想，当然，这跟训练集有关系，也跟测试集车牌图像中车牌所占比例大小不一有关系。明天再试试别的方法吧。
训练属于自己的xml文件，需以下几个步骤：
1、准备数据集，分为正样本集和负样本集；
2、第二是下载opencv_createsamples.exe和opencv_haartraining.exe；
3、生成路径，将正样本集的路径要存成 *.vec格式；负样本集的路径不做要求，*.txt就可以；
4、训练xml文件
下面拿车牌定位来举例：
一、准备数据集
正样本集：就是已经定位好的车牌样本；我这里有100张，大小归一化为44*14，且为灰度图，存在d:/chepai/chepai/pos文件夹下。
负样本集：所有不包含车牌照片的图像均可当做负样本集，不可重复，个数为正样本集的3倍左右，大小可以不归一化；我自己是从网上下载的，从中随机选择了315张，存在了d:/chepai/chepai/neg文件夹下。下载地址：点击打开链接
二、准备exe文件
下载地址：点击打开链接
此时文件夹下有以下几个部分：
三、生成路径
在e:/chepai/chepai/pos文件夹下编写一个bat程序，get route.bat，程序内容如下：
dir /b > pos.txt双击运行后，会出现pos.txt文件出现，然后将txt文件里面非图片的路径都删掉，如下图中的头两行：
再然后将get route.bat和pos.txt都剪切到上一级文件目录（d:/chepai/chepai）下，最后将pos.txt中的图片路径改成相对路径，并且在图像后面加上：样本图片中目标的个数 目标所在的坐标；
完成后格式如下图：
其中，1 0 0 44 14中的1表示目标个数，后面四个数字代表left top width height；
同样的，得到neg.txt文件，格式如下：
完成以上这些以后，得到如下的文件夹：
下面将正样本的路径pos.txt用CreateSamples.exe转成pos.vec
在d:/chepai/chepai文件夹下新建createsamples.bat，内容如下：
CreateSamples.exe -vec pos.vec -info pos.txt -num 100 -w 44 -h 14 pause其中，-num后面的数字是正样本个数，-w后面的数字是正样本图片的长，-h后面的数字是正样本图片的高；
双击createsamples.bat后出现pos.vec即为运行成功；
完成以上准备步骤后，文件夹为：
四、训练生成xml
在d:/chepai/chepai文件夹下新建train.dat；内容如下：
haartraining.exe -data xml -vec pos.vec -bg neg.txt -nstages 5 -nsplits 2 -minhitrate 0.999 -maxfalsealarm 0.5 -npos 100 -nneg 315 -w 44 -h 14 -mem 1024 -mode ALL pause
其中，
-nstages表示的是训练分类器的级数，不能太大也不能太小，太大的话会出现下图的情况：
程序走到POS后不再出现NEG：，就是指找不到误检的neg样本，没法跳出循环；将nstages设置小一点儿就可以啦~
当然，如果太小的话，得到的xml文件分类效果可能就会不好。
-nsplits
-minhitrate 分类器每一级希望得到的最小检测率；
-maxfalsealarm 分类器每一级希望得到的最大误检率;
-w -h 必不可少，否则会报错；
运行成功后会得到一个xml文件夹和一个xml.xml文件；如下图：
将xml.xml修改名称为chepai.xml，然后用python或者C++调用自己训练出来的chepai.xml来进行车牌定位吧~
python调用xml参考代码：点击打开链接
C++调用xml参考代码：点击打开链接
最近做人脸检测，用深度学习做肯定是没有问题的，已经做出来了，效果非常棒，就是在1080Ti上跑MRCNN【自己做了一些优化】，仍然要200ms左右，还达不到实时，最近想研究研究安防摄像头，于是先试试opencv的分类器 人脸识别，效果一般，但是速度还是可以的。