在使用opencv自帶的分類器haarcascade_frontalface_alt.xml進行人臉識別的基礎認識後，決定自己訓練一個分類器看一下效果。該過程大致可分為三個階段：樣本採集、分類器訓練和運用訓練好的分類器進行人臉檢測。

1、樣本的採集

       在訓練前，我們需要進行正樣本及負樣本的採集。

       正樣本採用的是ORL人臉資料庫中的部分影象，本次共選用63張影象，初始影象大小為92*112，但在訓練時出現了記憶體不足的問題，因此將其尺寸歸一化為20*20。部分截圖如下：

       負樣本採用的是weizmann團隊http://www.wisdom.weizmann.ac.il/~vision/Seg_Evaluation_DB/dl.html 網站上的影象分割資料庫裡面的灰色影象，總共200幅圖片，大小大約在300*200畫素，截圖如下所示：

       影象採集完畢後，將其分別放在兩個資料夾pos_img（正樣本）和neg_img（負樣本）下。再新建一個xml資料夾，xml資料夾存放後面訓練過程中產生的資料模型，最後opencv會將其轉換生成一個xml檔案，也就是最終的分類器。

       然後，從OpenCv安裝目錄中查找出如下兩個exe可執行檔案：

opencv_createsamples.exe：用於建立樣本描述檔案，字尾名是.vec。專門為OpenCV訓練準備，只有正樣本需要，負樣本不需要。 

opencv_haartraining.exe：是OpenCV自帶的一個工具，封裝了haar特徵提取以及adaboost分類器訓練過程。 

       一般來說，正負樣本數目比例為1：3時訓練結果較好，但是不是絕對。由於每個樣本的差異性不同等因素，所以沒有絕對的比例關係。但是負樣本需要比正樣本多，因為原則上說負樣本的多樣性越大越好，我們才能有效降低誤檢率，而不僅僅是通過正樣本的訓練讓其能識別物體。在本次訓練中，我選擇了63個正樣本和200個負樣本，均為灰度影象。

       樣本準備完畢後，開啟Windows下的命令列視窗cmd，進入指定目錄下。

在當前pos_img目錄下生成一個pos.txt記錄所有圖片的名稱。 

開啟該txt檔案，將pos.txt去掉，並將pgm 改為pgm 1 0 0 20 20。

這裡1表示當前圖片重複出現的次數是1， 0 0 20 20表示目標圖片大小是矩形框從（0，0）到（20，20）。 

同理，進入neg_img目錄，生成neg.txt，然後開啟檔案去掉neg.txt，其餘不做改動。

結束後將pos.txt和neg.txt拷出，與opencv_createsamples.exe檔案放在一個目錄下：

2、使用opencv_createsamples.exe建立訓練需要的引數列表

       Windows控制檯進入指定目錄下，我們之前已經在目錄下放了opencv_createsamples.exe檔案，在控制檯下輸入opencv_createsamples.exe可以得到各引數資訊：

在命令列視窗輸入：

則在當前目錄下，產生一個pos.vec檔案。

指令介紹：

-vec pos.vec：指定生成的檔案，最終生成的就是pos.vec； 
-info pos_img\pos.txt：目標圖片描述檔案，在pos\pos.txt； 
-bg neg_img\neg.txt：背景圖片描述檔案，在neg\neg.txt； 
-w 20：輸出樣本的寬度，20； 
-h 20：輸出樣本的高度，20； 

-num 63：要產生的正樣本數量，63；

3、訓練模型

       Windows控制檯進入指定目錄下，我們之前已經在目錄下放了opencv_haartraining.exe檔案，在控制檯下輸入opencv_haartraining.exe可以得到各引數資訊： 

然後輸入指令進行訓練：

指令介紹：

-vec pos.vec：正樣本檔名； 
-bg neg_img\neg.txt：背景描述檔案； 
-data xml：指定存放訓練好的分類器的路徑名，也就是前面建立的xml資料夾； 
-w 20：樣本圖片寬度，20； 
-h 20：樣本圖片高度，20； 
-mem 1024：提供的以MB為單位的記憶體，很明顯，這個值越大，提供的記憶體越多，運算也越快； 
-npos 45：取45個正樣本，小於總正樣本數； 
-neg 180：取180個負樣本，小於總負樣本數； 
-nstages 5：指定訓練層數，層數越高耗時越長； 

-nsplits 5：分裂子節點數目, 預設值 為2；(本來設定為5 ，但訓練時一直出差錯，改為預設值後可正常訓練)。

在這裡-npos  -neg 兩個引數若直接與正負樣本總數相同，則在訓練過程中會出現錯誤：訓練中途，程式突然終止，提示"OpenCV Error: Assertion failed (elements_read == 1) in icvGetHaarTraininDataFromVecCallback, file ..\..\..\..\opencv\apps\haartraining\cvhaartraining.cpp, line 1861"。-npos的意思是每次訓練從.vec檔案中隨機選取npos個正樣本。由於存在虛警，在每一次訓練一個強分類器之後，會把那些分類錯誤的從整個樣本庫中剔除掉，總的樣本就剩下 CountVec = CountVec - （1 - minhitrate）* npos，在第二個強分類器的訓練過程中就是從剩下的Countvec抽樣，一直這樣進行nstage次，所以就有CountVec >= (npos + (nstages - 1)*(1 -minhitrate) * npos ) + nneg 。當把npos設定與vec中總樣本數相同時，第二個強分類器訓練時，必然就會報錯，提示樣本數不足。只要將取值改小即可。

接下來要做的就是等待訓練結束：

訓練過程引數解釋：

N：層數  %
SMP：樣本的使用率 
F : +表示通過翻轉，否則是-
ST.THR : 分類器的閾值 
HR：當前分類器 對正樣本識別正確的概率
FA：當前分類器 對負樣本識別錯誤的概率

EXP.ERR : 分類器的期望錯誤率

訓練結束後會在根目錄下生成xml.xml檔案，在xml資料夾下生成最終的分類器：

4、測試

       用自己訓練的分類器替換opencv自帶的分類器進行人臉識別：

因為訓練的樣本過少，分類器的層數也不多，分類效果並不好，還有待提高。