教程：
博主之前写了22节关于使用OpenCV的教程，欢迎大家阅读：
(Python)从零开始,简单快速学机器仿人视觉Opencv—第一节:OpenCV的图像读取显示及保存
(Python)从零开始,简单快速学机器仿人视觉Opencv—第二节：OpenCV的视频操作
(Python)从零开始,简单快速学机器仿人视觉Opencv—第三节:OpenCV中的绘图函数
(Python)从零开始,简单快速学机器仿人视觉Opencv—第四节:OpenCV处理鼠标事件
(Python)从零开始,简单快速学机器仿人视觉Opencv—第五节:OpenCV用滑动条做调色板
(Python)从零开始,简单快速学机器仿人视觉Opencv—第六节:OpenCV图像的一些基本操作
(Python)从零开始,简单快速学机器仿人视觉Opencv—第七节:图像上的算术运算
(Python)从零开始,简单快速学机器仿人视觉Opencv—函数讲解1:cv2.flip()函数
(Python)从零开始,简单快速学机器仿人视觉Opencv—第八节:程序性能检测及优化
(Python)从零开始,简单快速学机器仿人视觉Opencv—第九节:颜色空间转换
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十节:五种常见的几何变换
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十一节:图像阀值
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十二节:几种常见的图像滤波、平滑
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十三节:形态学转换
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十四节:图像梯度
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十五节:Canny边缘检测
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十六节:图像金字塔
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十七节:轮廓详解与运用
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十八节:轮廓的性质
(Python)从零开始,简单快速学机器仿人视觉Opencv—第十九节:关于轮廓的函数
(Python)从零开始,简单快速学机器仿人视觉Opencv—第二十节:轮廓的层次结构
(Python)从零开始,简单快速学机器仿人视觉Opencv—运用一：快速截取图像中指定单个物体
主题
本章我们要学习的是目标物体检测，这里我们需要使用到SIFT特征提取，BOW词袋建立以及SVM支持向量机的知识（这些讲起来有点费劲（所以还是咕咕咕吧）），使用的数据集为UIUC数据集，可以去百度云盘免费下载，提取码为：wdzr。
这里我们要进行的是车辆的检测：检测图像中是否存在车辆，具体实现的我们可以将程序分为以下几步：
第1步：生成sift检测和提取器（注意：由于SIFT和SURF在3.4.3版本的时候注册了专利，所以在3.4.3及之后的版本中都无法再使用SIFT和SURF类了，所以需要将OpenCV的版本调整到3.4.2.16或者更早的版本）
import cv2import numpy as np#生成sift检测和提取器detect=cv2.xfeatures2d.SIFT_create()extract=cv2.xfeatures2d.SIFT_create()
第2步：生成flann特征匹配器
#生成flann匹配器flann_params=dict(algorithm=1,trees=5)flann=cv2.FlannBasedMatcher(flann_params,{})
第3步：生成bow_kmeans_trainer，BOW训练器
#生成bow_kmeans_trainer,BOW训练器，设置40个簇bow_kmeans_trainer=cv2.BOWKMeansTrainer(40)
第4步：使用SIFT或者SURF提取图片描述符，并加入到BOW训练器中。（这里只选用了正、负匹配各40张，如果匹配不准确的话可以提高训练的数量）
#使用SIFT或者SURF提取图片描述符，并加入到BOW训练器中for i in range(40):#正匹配需要的图片的路径pos_pic='%s%s%d.pgm'%('carData/TrainImages/','pos-',i)#加载图片pos_img=cv2.imread(pos_pic,0)#计算这个正匹配图像的图像描述符pos_des=pute(pos_img,detect.detect(pos_img))[1]#将图像描述符放入BOW训练器bow_kmeans_trainer.add(pos_des)# 负匹配需要的图片的路径neg_pic = '%s%s%d.pgm' % ('carData/TrainImages/', 'neg-', i)# 加载图片neg_img = cv2.imread(neg_pic, 0)# 计算这个负匹配图像的图像描述符neg_des = pute(neg_img, detect.detect(neg_img))[1]# 将图像描述符放入BOW训练器bow_kmeans_trainer.add(neg_des)
第5步：使用SIFT特征提取和flann生成bow特征提取器，extract_bow
#使用SIFT特征提取和flann生成bow特征提取器，extract_bowextract_bow=cv2.BOWImgDescriptorExtractor(extract,flann)
第6步：将BOW训练器中的图像描述符进行k-means聚类，得到词汇，对BOW特征提取器进行词汇的设置
#将BOW训练器中的图像描述符进行k-means聚类，得到词汇，对BOW特征提取器进行词汇的设置voc=bow_kmeans_trainer.cluster()extract_bow.setVocabulary(voc)
第7步：用BOW特征提取器提取对应图像的数据加入到traindata中，对应标号1与-1加入到trainlabels中
#用BOW特征提取器提取对应图像的数据加入到traindata中，对应标号1与-1加入到trainlabels中traindata=[]trainlabels=[]for i in range(20):# 正匹配需要的图片的路径pos_pic = '%s%s%d.pgm' % ('carData/TrainImages/', 'pos-', i)# 加载图片pos_img = cv2.imread(pos_pic, 0)# 计算这个正匹配图像的BOW特征描述符pos_des = pute(pos_img, detect.detect(pos_img))# 将BOW特征描述符放入训练数据中traindata.extend(pos_des)#将正标签加入trainlabels中trainlabels.append(1)# 负匹配需要的图片的路径neg_pic = '%s%s%d.pgm' % ('carData/TrainImages/', 'neg-', i)# 加载图片neg_img = cv2.imread(neg_pic, 0)# 计算这个正匹配图像的BOW特征描述符neg_des = pute(neg_img, detect.detect(neg_img))# 将BOW特征描述符放入训练数据中traindata.extend(neg_des)# 将负标签加入trainlabels中trainlabels.append(-1)
第8步：生成SVM
#生成SVMsvm=cv2.ml.SVM_create()
第9步：用traindata和trainlabels对SVM进行训练
#用traindata和trainlabels对SVM进行训练svm.train(np.array(traindata),cv2.ml.ROW_SAMPLE,np.array(trainlabels))
第10步：对指定图像进行BOW特征提取后，使用SVM进行评分预判。这里我们使用下面两张图分别对应有车和没车的情况来做图像判断：
本块代码如下所示：
#对指定图像进行BOW特征提取后，使用SVM进行评分预判#有车car=cv2.imread('1.jpg')car_gray=cv2.cvtColor(car,0)#没车no_car=cv2.imread('2.jpg')no_car_gray=cv2.cvtColor(no_car,0)#预判car_bow_des=pute(car_gray,detect.detect(car_gray))no_car_bow_des=pute(no_car_gray,detect.detect(no_car_gray))car_predict=svm.predict(car_bow_des)no_car_predict=svm.predict(no_car_bow_des)#图像显示if car_predict[1][0][0]==1.0:cv2.putText(car,'Car Detected',(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2,cv2.LINE_AA)if no_car_predict[1][0][0]==-1.0:cv2.putText(no_car,'Nocar Detected',(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2,cv2.LINE_AA)cv2.imshow('car',car)cv2.imshow('nocar',no_car)cv2.waitKey(0)cv2.destroyAllWindows()
将上面十步完成后，运行代码，可以得到如下画面：
全部代码如下所示：
import cv2import numpy as np#生成sift检测和提取器detect=cv2.xfeatures2d.SIFT_create()extract=cv2.xfeatures2d.SIFT_create()#生成flann匹配器flann_params=dict(algorithm=1,trees=5)flann=cv2.FlannBasedMatcher(flann_params,{})#生成bow_kmeans_trainer,BOW训练器，设置40个簇bow_kmeans_trainer=cv2.BOWKMeansTrainer(40)#使用SIFT或者SURF提取图片描述符，并加入到BOW训练器中for i in range(40):#正匹配需要的图片的路径pos_pic='%s%s%d.pgm'%('carData/TrainImages/','pos-',i)#加载图片pos_img=cv2.imread(pos_pic,0)#计算这个正匹配图像的图像描述符pos_des=pute(pos_img,detect.detect(pos_img))[1]#将图像描述符放入BOW训练器bow_kmeans_trainer.add(pos_des)# 负匹配需要的图片的路径neg_pic = '%s%s%d.pgm' % ('carData/TrainImages/', 'neg-', i)# 加载图片neg_img = cv2.imread(neg_pic, 0)# 计算这个负匹配图像的图像描述符neg_des = pute(neg_img, detect.detect(neg_img))[1]# 将图像描述符放入BOW训练器bow_kmeans_trainer.add(neg_des)#使用SIFT特征提取和flann生成bow特征提取器，extract_bowextract_bow=cv2.BOWImgDescriptorExtractor(extract,flann)#将BOW训练器中的图像描述符进行k-means聚类，得到词汇，对BOW特征提取器进行词汇的设置voc=bow_kmeans_trainer.cluster()extract_bow.setVocabulary(voc)#用BOW特征提取器提取对应图像的数据加入到traindata中，对应标号1与-1加入到trainlabels中traindata=[]trainlabels=[]for i in range(20):# 正匹配需要的图片的路径pos_pic = '%s%s%d.pgm' % ('carData/TrainImages/', 'pos-', i)# 加载图片pos_img = cv2.imread(pos_pic, 0)# 计算这个正匹配图像的BOW特征描述符pos_des = pute(pos_img, detect.detect(pos_img))# 将BOW特征描述符放入训练数据中traindata.extend(pos_des)#将正标签加入trainlabels中trainlabels.append(1)# 负匹配需要的图片的路径neg_pic = '%s%s%d.pgm' % ('carData/TrainImages/', 'neg-', i)# 加载图片neg_img = cv2.imread(neg_pic, 0)# 计算这个正匹配图像的BOW特征描述符neg_des = pute(neg_img, detect.detect(neg_img))# 将BOW特征描述符放入训练数据中traindata.extend(neg_des)# 将负标签加入trainlabels中trainlabels.append(-1)#生成SVMsvm=cv2.ml.SVM_create()#用traindata和trainlabels对SVM进行训练svm.train(np.array(traindata),cv2.ml.ROW_SAMPLE,np.array(trainlabels))#对指定图像进行BOW特征提取后，使用SVM进行评分预判#有车car=cv2.imread('1.jpg')car_gray=cv2.cvtColor(car,0)#没车no_car=cv2.imread('2.jpg')no_car_gray=cv2.cvtColor(no_car,0)#预判car_bow_des=pute(car_gray,detect.detect(car_gray))no_car_bow_des=pute(no_car_gray,detect.detect(no_car_gray))car_predict=svm.predict(car_bow_des)no_car_predict=svm.predict(no_car_bow_des)#图像显示if car_predict[1][0][0]==1.0:cv2.putText(car,'Car Detected',(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2,cv2.LINE_AA)if no_car_predict[1][0][0]==-1.0:cv2.putText(no_car,'Nocar Detected',(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2,cv2.LINE_AA)cv2.imshow('car',car)cv2.imshow('nocar',no_car)cv2.waitKey(0)cv2.destroyAllWindows()
总结
（前一段日子在赶着写书，被催稿（吐）导致的本系列咕咕咕了，之后可能还会咕，但是还是会尽量快的更新，谢谢大家支持啦！）
