深度学习准确率高识别效果好，但是对软硬件环境要求高，使用及部署有一定难度，应用受限。相比之下，机器学习效果差一个量级，但是计算量小，计算迅速，部署相对容易，尤其是在一些计算能力有限的嵌入式应用场合，因此这里打算学习一下基于OpenCV实现的机器学习，套路上打算先找一些例程学习怎么使用，再学习怎么训练自己的算法。

        先前在github上下载到了几个车辆识别的机器学习例程，但是发现大多是使用python实现的，不便应用于嵌入式项目中，这里我们尝试转为Visual Studio C/C++编码状态。

图1 github上下载的基于OpenCV用python实现的车辆识别代码及效果

         下载的源码随例程附带了训练好的算法模型xml文件、测试视频和.cpp样例源码：

图2 例程xml文件及附属的.cpp状态源码 

     一、Python转C/C++尝试与遇到的问题

        我们在VS2015下新建功能，加入该cpp文件，发现报错较多无法编译执行：

 图3 例程cpp文件编译报错

 检查发现，是因为我安装的是OpenCV4.5.5，版本较高，而从例程源码看，原作者使用的OpenCV版本偏低，因此许多功能函数已经变更，无法再使用。这里面主要是CvHaarClassifierCascade加载xml文件做目标检测识别的相关函数找不到新的定义所在，在网上搜索“OpenCV4.5 CvHaarClassifierCascade”、“OpenCV4.5 cvLoad”、“OpenCV4.5 机器学习”均找不到关于在OpenCV4.5.5状态下怎么加载xml进行机器学习目标检测识别的例程。

 二、思路与解决

        突然想到，我的OpenCV是在官网上下载了源码，然后在本地自行编译形成的OpenCV库，源码中包含了使用了例程Sample，其中一定有关于机器学习ml模块的使用样例，可以参考OpenCV源码自带的样例找到OpenCV4.5.5下机器学习的应用方法。

        最后在.\opencv-4.5.5\samples\cpp下找到一个人脸识别的例程：

  图4 OpenCV4.5.5自带的人脸识别cpp例程

把它拷贝出来加载到程序中，编译没有报错，运行也正常，它是一个启动电脑摄像头拍摄电脑前人员并进行人脸识别的例程：

  图5 OpenCV4.5.5自带的人脸识别cpp例程运行效果（人员做了部分隐藏处理）

        通过对比两个程序，参考OpenCV4.5.5自带的人脸识别例程方法，对github上下载的软件进行重新改编：

 图6 github例程xml加载方法与OpenCV4.5.5自带的人脸识别cpp例程对比

        对比发现，github下载的例程采用的是CvHaarClassifierCascade，用网上最常见的cvLoad(xml_file_path, 0, 0, 0)函数加载xml文件，而OpenCV4.5.5则采用了CascadeClassifier的.load(xml_file_path)函数形式加载。在具体识别上，github例程采用了cvHaarDetectObjects(...)函数，而OpenCV4.5.5例程则采用了.detectMultiScale()函数，并且还对目标做了翻转测试：

 图7 github例程目标检测函数与OpenCV4.5.5自带的人脸识别cpp例程对比

        结合github例程读取本地视频进行测验的方式，我们参考OpenCV4.5.5人脸识别cpp例程改编如下：

#include <opencv2/opencv.hpp>
#include <opencv2\objdetect\objdetect.hpp>
#include <iostream>
#include <string>
#include <fstream>

const int KEY_SPACE = 32;
const int KEY_ESC = 27;

//定义路径
const char *carCascade = "cars.xml";

void detectAndDraw(cv::Mat& img, cv::CascadeClassifier& cascade, double scale, bool tryflip)
{
    double t = 0;
    std::vector<cv::Rect> faces, faces2;
    const static cv::Scalar colors[] =
    {
        cv::Scalar(255,0,0),
        cv::Scalar(255,128,0),
        cv::Scalar(255,255,0),
        cv::Scalar(0,255,0),
        cv::Scalar(0,128,255),
        cv::Scalar(0,255,255),
        cv::Scalar(0,0,255),
        cv::Scalar(255,0,255)
    };
    cv::Mat gray, smallImg;

    cvtColor(img, gray, cv::COLOR_BGR2GRAY);
    double fx = 1 / scale;
    resize(gray, smallImg, cv::Size(), fx, fx, cv::INTER_LINEAR_EXACT);
    equalizeHist(smallImg, smallImg);

    t = (double)cv::getTickCount();
    cascade.detectMultiScale(smallImg, faces,
        1.1, 2, 0
        //|CASCADE_FIND_BIGGEST_OBJECT
        //|CASCADE_DO_ROUGH_SEARCH
        | cv::CASCADE_SCALE_IMAGE,
        cv::Size(30, 30));
    if (tryflip)
    {
        flip(smallImg, smallImg, 1);
        cascade.detectMultiScale(smallImg, faces2,
            1.1, 2, 0
            //|CASCADE_FIND_BIGGEST_OBJECT
            //|CASCADE_DO_ROUGH_SEARCH
            | cv::CASCADE_SCALE_IMAGE,
            cv::Size(30, 30));
        for (std::vector<cv::Rect>::const_iterator r = faces2.begin(); r != faces2.end(); ++r)
        {
            faces.push_back(cv::Rect(smallImg.cols - r->x - r->width, r->y, r->width, r->height));
        }
    }
    t = (double)cv::getTickCount() - t;
    printf("detection time = %g ms\n", t * 1000 / cv::getTickFrequency());
    for (size_t i = 0; i < faces.size(); i++)
    {
        cv::Rect r = faces[i];
        cv::Mat smallImgROI;
        std::vector<cv::Rect> nestedObjects;
        cv::Point center;
        cv::Scalar color = colors[i % 8];
        int radius;

        double aspect_ratio = (double)r.width / r.height;
        if (0.75 < aspect_ratio && aspect_ratio < 1.3) {
            rectangle(img, cv::Point(cvRound(r.x*scale), cvRound(r.y*scale)),
                cv::Point(cvRound((r.x + r.width - 1)*scale), cvRound((r.y + r.height - 1)*scale)),
                color, 3, 8, 0);
        }
        else {
            center.x = cvRound((r.x + r.width*0.5)*scale);
            center.y = cvRound((r.y + r.height*0.5)*scale);
            radius = cvRound((r.width + r.height)*0.25*scale);
            circle(img, center, radius, color, 3, 8, 0);
        }
    }
    cv::imshow("cars", img);
}

int main(int argc, char** argv)
{
    std::cout << "Using OpenCV " << CV_MAJOR_VERSION << "." << CV_MINOR_VERSION << "." << CV_SUBMINOR_VERSION << std::endl;

    cv::Mat frame;
    cv::Mat frame1;
    cv::Size size;
    int input_resize_percent = 100;
    cv::CascadeClassifier casca;
    cv::VideoCapture vdocap;

    if (!casca.load(carCascade)) {
        std::cout << "CascadeClassifier Load " << carCascade << " Failed" << std::endl;
    }
    else {
        std::cout << "CascadeClassifier Load " << carCascade << " Success" << std::endl;
    }

    if (argc == 4) {
        input_resize_percent = atoi(argv[3]);
        std::cout << "Resizing to: " << input_resize_percent << "%" << std::endl;
    }

    vdocap.open("video1.avi");
    cv::namedWindow("cars", 1);

    vdocap.read(frame1);
    size = cv::Size((int)((frame1.cols*input_resize_percent) / 100), (int)((frame1.rows*input_resize_percent) / 100));
    frame = cv::Mat(size, frame1.depth(), frame1.channels());

    int key = 0;
    do {
        vdocap.read(frame1);
        if (frame1.empty())
            break;

        cv::resize(frame1, frame, size);
        //detect(frame);
        detectAndDraw(frame, casca, 1, true);

        //cv::imshow("video", frame1);
        key = cv::waitKey(40);

        if (key == KEY_SPACE)
            key = cv::waitKey(0);

        if (key == KEY_ESC)
            break;

    } while (1);

    cv::destroyAllWindows();
    frame.release();
    frame1.release();
    vdocap.release();

    return 0;
}
改编后的源码编译无误：

 图8 根据OpenCV4.5.5自带的人脸识别cpp例程改编github例程

        运行效果与python状态相近：

   图9 改编后运行效果图

至此，改编结束，下一步学习怎么训练自己的模型