一、簡介
目標檢測方法最初由paul viola [viola01]提出，並由rainer lienhart [lienhart02]對這一方法進行了改善。該方法的基本步驟為： 首先，利用樣本（大約幾百幅樣本）的 harr 特徵進行分類器訓練，得到乙個級聯的boosted分類器。
分類器中的"級聯"是指最終的分類器是由幾個簡單分類器級聯組成。在影象檢測中，被檢視窗依次通過每一級分類器， 這樣在前面幾層的檢測中大部分的候選區域就被排除了，全部通過每一級分類器檢測的區域即為目標區域。
分類器訓練完以後，就可以應用於輸入影象中的感興趣區域(與訓練樣本相同的尺寸)的檢測。檢測到目標區域(汽車或人臉)分類器輸出為1，否則輸出為0。為 了檢測整副影象，可以在影象中移動搜尋視窗，檢測每乙個位置來確定可能的目標。 為了搜尋不同大小的目標物體，分類器被設計為可以進行尺寸改變，這樣比改變待檢影象的尺寸大小更為有效。所以，為了在影象中檢測未知大小的目標物體，掃瞄 程式通常需要用不同比例大小的搜尋視窗對進行幾次掃瞄。
目前支援這種分類器的boosting技術有四種： discrete adaboost, real adaboost, gentle adaboost and logitboost。
"boosted" 即指級聯分類器的每一層都可以從中選取乙個boosting演算法(權重投票)，並利用基礎分類器的自我訓練得到。
根據上面的分析，目標檢測分為三個步驟：
1、 樣本的建立
2、 訓練分類器
3、 利用訓練好的分類器進行目標檢測。
二、樣本建立
訓練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標樣本(例如人臉或汽車等)，反例樣本指其它任意，所有的樣本都被歸一化為同樣的尺寸大小(例如，20x20)。
負樣本負樣本可以來自於任意的，但這些不能包含目標特徵。負樣本由背景描述檔案來描述。背景描述檔案是乙個文字檔案，每一行包含了乙個負樣本的檔名（基於描述檔案的相對路徑）。該檔案必須手工建立。
e.g: 負樣本描述檔案的乙個例子：
假定目錄結構如下：
則背景描述檔案bg.txt的內容為：
正樣本正樣本由程式craatesample程式來建立。該程式的源**由opencv給出，並且在bin目錄下包含了這個可執行的程式。
正樣本可以由單個的目標或者一系列的事先標記好的來建立。
createsamples程式的命令列引數：
命令列引數：
－vec
訓練好的正樣本的輸出檔名。
－bg背景描述檔案。
－num
要產生的正樣本的數量，和正樣本數目相同。
－bgcolor
背景色（假定當前為灰度圖）。背景色制定了透明色。對於壓縮，顏色方差量由bgthresh引數來指定。則在bgcolor－bgthresh和bgcolor＋bgthresh中間的畫素被認為是透明的。
－bgthresh
－inv
如果指定，顏色會反色
－randinv
如果指定，顏色會任意反色
－maxidev
背景色最大的偏離度。
－maxangel
－maxangle，
－maxzangle
最大旋轉角度，以弧度為單位。
－show
如果指定，每個樣本會被顯示出來，按下"esc"會關閉這一開關，即不顯示樣本，而建立過程繼續。這是個有用的debug選項。 －w
輸出樣本的寬度（以畫素為單位）
－h《sample_height》
輸出樣本的高度，以畫素為單位。
注：正樣本也可以從乙個預先標記好的影象集合中獲取。這個集合由乙個文字檔案來描述，類似於背景描述檔案。每乙個文字行對應乙個。每行的第乙個元素是檔名，第二個元素是物件實體的個數。後面緊跟著的是與之匹配的矩形框（x, y, 寬度，高度）。
下面是乙個建立樣本的例子：
positive
img1.bmp ……
img5.bmp
negative
bg1.bmp
bg2.bmp
info.dat
bg.txt
正樣本描述檔案info.dat的內容如下：
positive/imag1.bmp 1 0 0 24 28 ……
positive/imag5.bmp 1 0 0 24 28
img1.bmp包含了單個目標物件實體，矩形為（0,0,24,28）。
－info
標記特徵的集合的描述檔案。
背景（負樣本）描述檔案的內容如下：
nagative/bg1.bmp
nagative/bg2.bmp
我們用乙個批處理檔案run.bat來進行正樣本的建立：該檔案的內容如下：
cd e:"face"bin
createsamples -vec e:"face"a.vec
-info e:"face"info.dat
-bg e:"face"bg.txt
-num 5
-show
-w 24
-h 28
其中e:"face"bin目錄包含了createsamples可執行程式，生成的正樣本檔案a.vec在e:"face目錄下。
三、訓練分類器
樣本建立之後，接下來要訓練分類器，這個過程是由haartraining程式來實現的。該程式原始碼由opencv自帶，且可執行程式在opencv安裝目錄的bin目錄下。
haartraining的命令列引數如下：
－data
存放訓練好的分類器的路徑名。
－vec
正樣本檔名（由trainingssamples程式或者由其他的方法建立的）
－bg背景描述檔案。
－npos，
－nneg
用來訓練每乙個分類器階段的正/負樣本。合理的值是：npos = 7000;nneg = 3000
－nstages
訓練的階段數。
－nsplits
決定用於階段分類器的弱分類器。如果1，則乙個簡單的stump classifier被使用。如果是2或者更多，則帶有number_of_splits個內部節點的cart分類器被使用。
－mem
預先計算的以mb為單位的可用記憶體。記憶體越大則訓練的速度越快。
－sym（default）
－nonsym
指定訓練的目標物件是否垂直對稱。垂直對稱提高目標的訓練速度。例如，正面部是垂直對稱的。
－minhitrate《min_hit_rate》
每個階段分類器需要的最小的命中率。總的命中率為min_hit_rate的number_of_stages次方。
－maxfalsealarm
沒有階段分類器的最大錯誤報警率。總的錯誤警告率為max_false_alarm_rate的number_of_stages次方。
－weighttrimming
指定是否使用權修正和使用多大的權修正。乙個基本的選擇是0.9
－eqw
－mode
選擇用來訓練的haar特徵集的種類。basic僅僅使用垂直特徵。all使用垂直和45度角旋轉特徵。
－w《sample_width》
－h《sample_height》
訓練樣本的尺寸，（以畫素為單位）。必須和訓練樣本建立的尺寸相同。
乙個訓練分類器的例子：
同上例，分類器訓練的過程用乙個批處理檔案run2.bat來完成：
cd e:"face"bin
haartraining -data e:"face"data
-vec e:"face"a.vec
-bg e:"face"bg.txt
-npos 5
-nneg 2
-w 24
-h 28
訓練結束後，會在目錄data下生成一些子目錄，即為訓練好的分類器。
注：opencv 的某些版本可以將這些目錄中的分類器直接轉換成xml檔案。但在實際的操作中，haartraining程式卻好像永遠不會停止，而且沒有生成xml文 件，後來在opencv的yahoo論壇上找到乙個haarconv的程式，才將分類器轉換為xml檔案，其中的原因尚待研究。
OpenCV訓練分類器
opencv訓練分類器 一 簡介 目標檢測方法最初由paul viola viola01 提出，並由rainer lienhart lienhart02 對這一方法進行了改善。該方法的基本步驟為 首先，利用樣本 大約幾百幅樣本 的 harr 特徵進行分類器訓練，得到乙個級聯的boosted分類器。分...
訓練Opencv分類器
由於在做乙個專案的需要，接觸到opencv。並使用其中的機器識別，自己會的實在不多。在使用它自帶的人臉分類器時，用自己的arm板上的攝像頭拍的，基本上識別不出。於是自己想訓練乙個分類器 用自己arm板上的攝像頭拍 給自己在專案中使用。於是找了個教室，拍了三百張 回去做分類器。開始以為做分類器會很麻煩...
OpenCV訓練分類器
看到的不錯的資料，記錄下來，以備不時之需。按ctrl r開啟windows執行程式，輸入cmd開啟dos命令視窗，輸入 d 回車，再輸入cd d face negdata進入路徑，再次輸入dir b negdata.dat，則會路徑下生成乙個negdata.dat檔案，開啟該檔案將最後一行的negd...