opencv中有兩個函式可以訓練分類器opencv_haartraining.exe和opencv_traincascade.exe,前者只能訓練haar特徵，後者可以用HAAR、LBP和HOG特徵訓練分類器。這兩個函式都可以在opencv\build\x64\vc14\bin資料夾下找到。

1. 首先是樣本的準備、其次是對樣本進行處理、再次生成樣本描述檔案、最後一步是訓練分類器。

2. 生成描述檔案

   正負樣本都要轉化成灰度圖，本文采用的是識別海洋上航天的航空母艦，背景選擇為大海，因為只是為了測試，這裡選取了45張較少的正樣本，77zhan張負樣本。通過之前部落格所介紹的方法進行統一灰度和尺度化（50*50）。

生成樣本描述檔案環節，如圖所示首先在CMD中cd進入到當前目錄，也就是opencv_createsamples.exe資料夾下；然後依次輸入：opencv_createsamples.exe -info pos\pos.txt -vec pos.vec -bg neg\neg.txt -num 45 -w 50 -h 50 回車之後資料夾下就會出現pos.vec檔案。只需要對正樣本進行以上操作，負樣本不需要生成vec檔案。

注意pos.txt的格式如下：

0.jpg 1 0 0 50 50
1.jpg 1 0 0 50 50
2.jpg 1 0 0 50 50
3.jpg 1 0 0 50 50
4.jpg 1 0 0 50 50
5.jpg 1 0 0 50 50

3. 訓練分類器

在以上準備工作都做好的情況下，就可以進行訓練分類器了。opencv2.x應該是叫haartarining.exe opencv3.x將haar和lbp整合成一個。在cmd命令列下輸入：C:\Users\wangz\Desktop\adboost>opencv_traincascade.exe -data cascade -vec pos.vec -bg neg\neg.txt -numpos 45 -numneg 77 -mem 80000000 -mode ALL -w 50 -h 50

訓練過程中發現一個問題，提示記憶體不足（可能是正樣本數目不足），具體還未解決，但是過程是正確的，有知道問題的小夥伴希望交流一下。

最後就是訓練出來的xml檔案的使用了，具體如下：

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
String face_cascade_name = "D:/vcprojects/cascadetrain/custom_face_cascade.xml";
CascadeClassifier Detector;
String window_name = "Capture - Face detection";


int core=1 ;
int size_max = 10;
void callback(int, void*);
Mat image;

int main(int argc, char** argv) {
	// 載入訓練資料
	if (!Detector.load(face_cascade_name)) {
		printf("could not load face data...\n");
	}
	// 載入測試圖片
	
	Mat gray_src;
	Mat image = imread("123.jpg");
	namedWindow(window_name, CV_WINDOW_AUTOSIZE);
	// 轉換為灰度影象
	createTrackbar("SIZE", window_name,&core, size_max,callback);
	callback(0, 0);
	
	imshow(window_name, image);
	// 按任意鍵退出
	waitKey(0);
	return 0;
}

回撥函式部分：

void callback(int, void*) {
	Mat dimage;
	blur(image, image, Size(2*core+1, 2 * core + 1), Point(-1, -1));
	cvtColor(image, image, COLOR_BGR2GRAY);
	equalizeHist(image, dimage);
	// 使用自己訓練的級聯檢測器人臉檢測
	//threshold(dimage, );
	std::vector<Rect> faces;
	Detector.detectMultiScale(dimage, faces, 1.3, 1, 0, Size(24, 24));
	for (size_t t = 0; t < faces.size(); t++) {
		rectangle(image, faces[t], Scalar(0, 0, 255), 3);
	}
	// 顯示結果
}