Python版本的OpenCV库中，人脸识别Haar级联（Haar Cascade）的XML文件下载。

标记的数据集，用于训练Haar级联 目的-快速搜索图像中的鸟类。 在RPi3上，在640x480分辨率下高达20 fps。 例子： 视频 多重识别 使用 下载经过培训的级联的。 用它初始化CascadeClassifier。 cascade = cv2 . CascadeClassifier ( 'cascade_226.xml' ) 级联创建 1.抽样 opencv_createsamples -vec traning.vec -info positive\desc.txt -bg neg_desc.txt -w 24 -h 24 2.培训 opencv_traincascade -data cascade -vec traning.vec -bg negative/desc.txt -numPos 180 -numNeg 60 -numStages 30 -fea

带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载

Haar级联的车辆检测 最后页面更新时间： 2016年10月19日 最新版本： 1.0.0 （有关更多信息，请参见发行说明） 大家好，执行车辆检测的一种简单方法是使用Haar Cascades。 当前，我没有关于它的详细教程，但是您可以在OpenCV主页上获得一些其他信息，请参阅页面。 另请参阅以训练您自己的级联分类器。 haar-cascade cars.xml是使用来自后方的526张汽车图像（360 x 240像素，无比例缩放）进行训练的。 这些图像是从布拉德·菲利普（Brad Philip）和保罗·厄普代克（Paul Updike）提出的Car数据集中提取的，该数据集取自南加州的高速公路。 有关更多信息，请参见： 训练自己的OpenCV Haar分类器 相关论文： 奥利维拉，M。 Santos，V.使用类似Haar的功能自动检测实际道路上的汽车（ ） 一些其他资源：

opencv2.4.13 convert_cascade.exe