一、引言

在计算机视觉领域，车辆识别是智能交通、自动驾驶等应用的核心技术之一。基于OpenCV的Haar特征分类器因其高效性和可定制性，成为实现车辆检测的常用方法。本文将详细介绍在Linux系统下，如何使用OpenCV训练自定义的XML分类器，并应用于车辆识别任务。

二、环境准备

1. Linux系统选择

推荐使用Ubuntu或CentOS等主流Linux发行版，确保系统版本较新（如Ubuntu 20.04 LTS），以兼容最新开发工具链。

2. OpenCV安装

通过源码编译安装OpenCV（含contrib模块），以支持Haar训练工具。步骤如下：

# 安装依赖库
sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
# 克隆OpenCV源码
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git
# 编译安装（指定contrib模块路径）
cd opencv
mkdir build && cd build
cmake -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules ..
make -j$(nproc)
sudo make install

验证安装：

pkg-config --modversion opencv4  # 应输出版本号（如4.5.5）

3. 训练数据准备

• 正样本：收集包含车辆的图像（建议≥500张），裁剪为统一尺寸（如64x128像素），保存为.jpg格式。
• 负样本：收集不含车辆的背景图像（如道路、天空），数量应为正样本的2-3倍。
• 标注文件：为正样本创建.txt文件，每行格式为文件名 车辆数量 x1 y1 width height（如car_001.jpg 1 10 20 50 80）。

三、训练XML分类器

1. 生成正样本描述文件

使用opencv_createsamples工具生成正样本描述文件（.vec）：

opencv_createsamples -img car_001.jpg -num 500 -bg negatives.txt -vec positives.vec -w 64 -h 128

参数说明：

• -num：生成的样本数量（需≤正样本总数）。
• -bg：负样本描述文件路径。
• -w/-h：输出样本的宽度/高度。

2. 训练分类器

使用opencv_traincascade工具训练Haar分类器：

opencv_traincascade -data classifier -vec positives.vec -bg negatives.txt -numPos 400 -numNeg 800 -numStages 20 -w 64 -h 128 -featureType HAAR -mode ALL

关键参数：

• -numStages：训练阶段数（通常15-20）。
• -numPos/-numNeg：每阶段使用的正/负样本数。
• -featureType：特征类型（HAAR或LBP）。
• -mode：训练模式（ALL表示同时使用正负样本）。

3. 训练过程监控

训练日志会输出每阶段的假阳性率（FPR）和检测率（DR）。理想情况下，FPR应逐渐降低，DR应接近100%。若训练提前终止，可调整-minHitRate和-maxFalseAlarmRate参数。

四、车辆识别实现

1. 加载分类器

使用训练好的XML文件进行车辆检测：

import cv2
# 加载分类器
car_cascade = cv2.CascadeClassifier('classifier/cascade.xml')
# 读取图像
img = cv2.imread('test_car.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 检测车辆
cars = car_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
# 绘制检测框
for (x, y, w, h) in cars:
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.imshow('Vehicle Detection', img)
cv2.waitKey(0)

2. 参数调优

• scaleFactor：图像金字塔缩放比例（值越小检测越精细，但速度越慢）。
• minNeighbors：检测框合并阈值（值越大误检越少，但可能漏检）。
• minSize：最小检测目标尺寸（需根据实际场景调整）。

五、优化与改进

1. 数据增强

通过旋转、翻转、亮度调整等方式扩充训练数据，提升分类器鲁棒性。

2. 多尺度检测

在视频流中应用时，可结合多尺度滑动窗口检测小目标车辆：

def multi_scale_detect(img, cascade, min_size=(30, 30), max_size=(200, 200)):
    detections = []
    for scale in [0.5, 0.75, 1.0, 1.5]:
        resized = cv2.resize(img, None, fx=scale, fy=scale)
        gray = cv2.cvtColor(resized, cv2.COLOR_BGR2GRAY)
        cars = cascade.detectMultiScale(gray, minSize=min_size, maxSize=max_size)
        for (x, y, w, h) in cars:
            detections.append((int(x/scale), int(y/scale), int(w/scale), int(h/scale)))
    return detections

3. 结合深度学习

对于复杂场景，可先用YOLO等深度学习模型定位车辆区域，再用Haar分类器精细识别，平衡速度与精度。

六、总结与展望

本文系统介绍了在Linux环境下使用OpenCV训练自定义XML分类器的完整流程，从环境配置、数据准备到模型训练与优化，最终实现高效的车辆识别。未来工作可探索：

1. 集成更先进的特征（如HOG+SVM）。
2. 结合语义分割提升遮挡车辆检测能力。
3. 部署至嵌入式设备（如树莓派+NVIDIA Jetson）实现实时检测。

通过持续优化数据与算法，自定义分类器可在资源受限场景下发挥重要价值，为智能交通系统提供低成本解决方案。