最近做了一個目標檢測的應用，通過大量的待檢測目標的樣本進行訓練，得到分類器；然後輸入測試視訊，看分類器的檢測結果。主要應用了OpenCV自帶的工具：

1.opencv\build\x86\vc10\bin下的opencv_createsamples.exe

2.opencv\build\x86\vc10\bin下的opencv_traincascade.exe

訓練的演算法是adaboost級聯分類器。關於adaboost的演算法講解，這篇博文有不錯的講解：http://blog.csdn.net/mousever/article/details/52038198

opencv_traincascade提供了三種不同的特徵提取方式：Haar，LBP，HOG。在本次應用中，待檢測的目標如下圖藍色橢圓中所示：

整體的步驟流程如下：

1、 正負樣本的建立；

2、 利用樣本，訓練分類器；

3、 利用訓練好的分類器進行目標檢測。

訓練樣本分為正樣本和反樣本。正樣本是指待檢測的目標樣本(例如汽車，人臉，標誌物等)，反例樣本指不包含正樣本的背景圖片（需要注意的是，這些反例樣本儘量是出現正樣本場景中的背景圖片），所有的樣本圖片都被歸一化為同樣的尺寸大小(例如，20x20、20x30)。 在本次演示工程中，通過攝像頭在不同光照、不同旋轉角度下拍攝待檢測物體的照片，然後對圖片進行摳圖，得到正樣本。得到的樣本數量約為500~1000個。然後拍攝正樣本可能的背景畫面，得到負樣本數量約為1000~1500個。得到正樣本後，利用OpenCV函式庫中的CreateSamples.exe工具生成正樣本描述檔案。這個檔案是接下來訓練要用的，可以看做是正樣本特徵的第一步提取。關於opencv_createsamples.exe的執行命令引數，可以查詢此篇部落格：http://blog.csdn.net/wuxiaoyao12/article/details/39227189。opencv_createsamples命令為：

訓練階段演算法採用了adaboost（自適應增強）演算法，這是一種級聯分類器的演算法，將多個性能較弱的分類器級聯，組合成一種效能強的分類器。它的自適應在於：前一個基本分類器分錯的樣本會得到加強，加權後的全體樣本再次被用來訓練下一個基本分類器。同時，在每一輪中加入一個新的弱分類器，直到達到某個預定的足夠小的錯誤率或達到預先指定的最大迭代次數。OpenCV提供了開源的adaboost演算法庫，可以比較方便的呼叫；而對於應用，比較重要的一點是特徵的選取。通常，樣本可以用Haar、HOG、LBP等特徵描述，例如人臉，用Haar效果比較好，而對於行人，用HOG效果比較好。在應用時，應分析物體特徵，選擇較好的特徵提取演算法。opencv_traincascade命令為：

值得注意的是其中的numPos引數，並非為createsamples階段採用的700，否則會報錯。建議為num的0.8~0.9。另外經過測試，對於featureType引數，LBP比HAAR效果相差無幾，但訓練速度快了很多。

經過訓練可以得到分類器。測試訓練效果如圖所示，藍色橢圓框內為檢測到的物體：

最後，附上原始碼。

1）產生正樣本圖片的原始碼。通過攝像頭採集影象，在影象中設定一個矩形框並繪製在影象中，作為採集樣本的區域。按s鍵儲存樣本圖片，並歸一化成20*30大小。

#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"

#include <iostream>
#include <ctype.h>

using namespace cv;
using namespace std;

Mat image;
bool selectObje

        selection &= Rect(0, 0, image.cols, image.rows);

    }

    switch( event )
    {
    case CV_EVENT_LBUTTONDOWN:
        origin = Point(x,y);
        selection = Rect(x,y,0,0);
        selectObject = true;
        break;
    case CV_EVENT_LBUTTONUP:
        selectObject = false;
		write_en = true;
        break;
    }
}


int main( int argc, const char** argv )
{

    VideoCapture cap;
    cap.open(1);

    if( !cap.isOpened() )
    {
        cout << "***Could not initialize capturing...***\n";
        cout << "Current parameter's value: \n";
        return -1;
    }

    namedWindow( "CamShift Demo",1 );
    
    selection = Rect(300,300,100,160);
    Mat frame, cp_roi;
    bool paused = false;
	int cnt = 0;
    for(;;)
    {
		cap >> frame;
	//	cout << "frame.cols:"<< frame.cols << endl;
	//	cout << "frame.rows:"<< frame.rows << endl;


        frame.copyTo(image);
	Mat roi(frame,selection);

        rectangle(image, Point(selection.x, selection.y), Point(selection.x + selection.width, selection.y + selection.height), Scalar(255, 0, 0), 3, 8);
	 char c = (char)waitKey(10);
		if(c=='s')
		{
			roi.copyTo(cp_roi);
			resize(cp_roi,cp_roi,Size(20,30));
			char filename[30];
			sprintf_s(filename,"../positive/%d.bmp",cnt);
			cv::imwrite(filename,cp_roi);
			cnt++;
		}

        imshow( "CamShift Demo", image );
		
       
        if( c == 27 )
            break;
       
    }

    return 0;
}

#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"

#include <iostream>
#include <stdio.h>

using namespace std;
using namespace cv;

/** Function Headers */
void detectAndDisplay( Mat frame );

/** Global variables */
//-- Note, either copy these two files from opencv/data/haarscascades to your current folder, or change these locations
String face_cascade_name = "cascade_LBP_Stages20.xml";
CascadeClassifier face_cascade;
string window_name = "Capture - Face detection";
RNG rng(12345);

/**
 * @function main
 */
int main( void )
{
  VideoCapture capture;
  Mat frame;

  //-- 1. Load the cascades
  if( !face_cascade.load( face_cascade_name ) ){ printf("--(!)Error loading\n"); return -1; };
 

  //-- 2. Read the video stream
  capture.open( 1 );
  if( capture.isOpened() )
  {
    for(;;)
    {
      capture >> frame;

      //-- 3. Apply the classifier to the frame
      if( !frame.empty() )
       { detectAndDisplay( frame ); }
      else
       { printf(" --(!) No captured frame -- Break!"); break; }

      int c = waitKey(10);
      if( (char)c == 'c' ) { break; }

    }
  }
  return 0;
}

/**
 * @function detectAndDisplay
 */
void detectAndDisplay( Mat frame )
{
   std::vector<Rect> faces;
   std::vector<Rect> faces2;
   Mat frame_gray;

   cvtColor( frame, frame_gray, COLOR_BGR2GRAY );
 
   //-- Detect faces
   face_cascade.detectMultiScale( frame_gray, faces, 1.1, 2, 0|CV_HAAR_SCALE_IMAGE|CV_HAAR_FIND_BIGGEST_OBJECT, Size(60, 90),Size(160, 240) );
   
   for( size_t i = 0; i < faces.size(); i++ )
    {
      Point center( faces[i].x + faces[i].width/2, faces[i].y + faces[i].height/2 );
      ellipse( frame, center, Size( faces[i].width/2, faces[i].height/2), 0, 0, 360, Scalar( 255, 0, 0 ), 3, 8, 0 );

    }

   //-- Show what you got
   imshow( window_name, frame );
}