在上一篇文章中，我介紹了《訓練自己的haar-like特徵分類器並識別物體》的前兩個步驟：

1.準備訓練樣本圖片，包括正例及反例樣本

2.生成樣本描述檔案

3.訓練樣本

4.目標識別

=================

今天我們將著重學習第3步：基於haar特徵的adaboost級聯分類器的訓練。若將本步驟看做一個系統，則輸入為正樣本的描述檔案(.vec)以及負樣本的說明檔案(.dat)；輸出為分類器配置引數檔案(.xml)。

老規矩，先介紹一下這篇文章需要的工具，分別是(1)訓練用的opencv_haartraining.exe，該程式封裝了haar特徵提取以及adaboost分類器訓練過程；(2)haarconv.exe（老版本命名法）或者convert_cascade.exe（新版本命名法），該程式用於合併各級分類器成為最終的xml檔案。一般這兩個程式都能在opencv的工程檔案裡找到，請善用ctrl+F。若沒有，則請到

工具都準備好了，下面進入正題：

1.訓練分類器

開啟cmd，cd到當前目錄，執行命令：

引數說明，這個要好好看，出錯了好除錯

-data 指定生成的檔案目錄， 
-vec vec檔名， 
-bg 負樣本描述檔名稱，也就是負樣本的說明檔案(.dat) 
-nstage 20 指定訓練層數，推薦15~20，層數越高，耗時越長。
-nsplits 分裂子節點數目,選取預設值 2 
-minhitrate 最小命中率，即訓練目標準確度。
-maxfalsealarm最大虛警(誤檢率)，每一層訓練到這個值小於0.5時訓練結束，進入下一層訓練，
 
-npos 在每個階段用來訓練的正樣本數目，
-nneg在每個階段用來訓練的負樣本數目 這個值可以設定大於真正的負樣本影象數目，程式可以自動從負樣本影象中切割出和正樣本大小一致的,這個引數一半設定為正樣本數目的1~3倍 -w -h樣本尺寸，與前面對應 -mem 程式可使用的記憶體，這個設定為256即可，實際執行時根本就不怎麼耗記憶體，以MB為單位 -mode ALL指定haar特徵的種類，BASIC僅僅使用垂直特徵，ALL表示使用垂直以及45度旋轉特徵

-sym或者-nonsym，後面不用跟其他引數，用於指定目標物件是否垂直對稱，若你的物件是垂直對稱的，比如臉，則垂直對稱有利於提高訓練速度

其中要注意，負樣本使用的是.dat檔案，而不是.vec檔案。訓練結束後會在cascade目錄下生成0-N的子目錄。訓練過程如下圖，我的正樣本20，負樣本60，小試牛刀，畢竟資料量有限。

想讓自己更強大，就應該知道這張圖裡面一些引數的意思。

2.合併子分類器生成xml檔案

輸入命令：

若你使用的是convert_cascade.exe則是另外一種格式：

想知道用法可以輸入xxx.exe  usage，用法以及引數說明一目瞭然

3.總結以及注意事項

看起來很簡單是不是，你錯了！真正做起來會有各種各樣的錯誤發生讓你措手不及。以下是我總結的問題及分析：

1）訓練時間非常久，少則秒鐘，多則幾天甚至一禮拜。具體的時間跟你樣本的選取、樣本數量、機器的效能有著直接聯絡。舉個例子，有人正樣本7097負樣本2830，在8核3.2Ghz的機器上，開啟了多核並行加速(MP)的情況下訓練了一週時間，跑到19層。連結http://blog.csdn.net/liulina603/article/details/8197889 。這個真心有點久了，有點誇張。舉這個例子是想跟你說明，這是一件耗時間的事情，所以請你耐心等待。

2）卡死在某一層，好像進入死迴圈。這種情況一般跟樣本的選擇有關，尤其是負樣本。當剩下所有的negtive樣本在臨時的cascade Classifier中evaluate的結果都是0（也就是拒絕了），隨機取樣本的數目到幾百萬都是找不到誤檢測的neg樣本了，因而沒法跳出迴圈！

解決方法是，增大負樣本數目，增大負樣本之間的變化!

3）訓練帶某一層出錯，報錯提示下圖。檢視cascade目錄下發現確實走到第5層。這種情況跟上一種情況其實有點類似，都是opencv_haartraining.exe無法正常terminate。而我們的關注點在於，所生成的這些子分類器能用嗎？要依實際情況而定。拿下圖來說，在第5層的時候FA已經很低了，0.125000，說明效果已經夠用。2）中也是這個道理。

That`s all.