使用Opencv的opencv_traincascade來訓練屬於自己的分類器，檢測自己想檢測的東西，666，從使用到放棄。
提供一個人臉檢測的訓練工程，其裡面包括原始的訓練樣本、製作好的訓練樣本、訓練指令等，感覺其樣本分類特別麻煩其下載地址為：
1 、opencv裡的分類器大概介紹：
OpenCV中有兩個程式可以訓練級聯分類器： opencv_haartraining and opencv_traincascade``。 ``opencv_traincascade 是一個新程式，使用OpenCV 2.x API 以C++ 編寫。這二者主要的區別是 opencv_traincascade 支援 Haar [Viola2001] 和 LBP [Liao2007] (Local Binary Patterns) 兩種特徵，現在已經發展到可以支援hog特徵，並易於增加其他的特徵。與Haar特徵相比，LBP特徵是整數特徵，因此訓練和檢測過程都會比Haar特徵快幾倍。LBP和Haar特徵用於檢測的準確率，是依賴訓練過程中的訓練資料的質量和訓練引數。訓練一個與基於Haar特徵同樣準確度的LBP的分類器是可能的。
2、分類器的樣本製作：
其樣本點的製作主要是指正樣本的製作，因為其負樣本製作很簡單，只要把其圖片的相對路徑生成到檔案裡即可用於訓練，其如下：
使用這個指令生成的路徑是絕對路徑，其生成後需要把絕對路徑給替換掉即可。使用的指令為：
dir /b/s/p/w *.jpg > positives.txt注意：負樣本的圖片大小可以不用進行歸一化成統一大小，因為其在訓練的時候可以進行指定大小，訓練時會進行影象resize操作。
接著就是正樣本的生成，其是比較重要的。其中正樣本的樣本採集有兩種方法：
A、只通過一張正樣本圖片，結合負樣本進行其他正樣本的生成。這種方法比較適合剛性的物體，即正樣本目標不會變形，所以要對其進行樣本採集比較困難，例如交通LOGO牌，無法對其進行變形採用。這種情況可以通過影象手段來對其進行一些影象預處理操作，從而產生樣本。其使用的指令是：
其要使用 【-img】引數來指明單張正樣本，其中的【num】是指通過這一張正樣本要生成的樣本數量，其是通過負樣本結合來生成的，負樣本主要是給旋轉等操作後的正樣本提供背景。他會在生成樣本的同時直接生成vec檔案。
注意：其中更好的生成樣本的工具程式碼是：opencv-haar-classifier-training 其使用指令碼來呼叫opencv_createsamples.exe進行樣本的生成，而且也可以順路生成vec檔案，真的超方便。
B、通過人為採集所有訓練樣本。其中正樣本的txt檔案格式如下,其中檔案路徑後面的格式是在指令生成後自己手動替換得到的：
其指令如下：
此時提供的是包含所有的正樣本路徑的txt檔案，其生成可以參考上面的方法。此時這裡設定的x、y、z三軸旋角等一些資料增城的引數是不會被採用的，其只有上面A單張樣本是才使用這些引數。其中的【-num】的只要小於或等於正樣本的指，否則會報錯。
注意：這是把所有目標都裁剪下來的處理方式，而且需要進行樣本歸一化。還有一種就是使用工具在整張圖片上進行正樣本標註，其可以使用ObjectMarker工具。具體過程參考部落格：基於級聯分類器的多目標檢測
3、級聯分類器的訓練：
但樣本都準備好後，其訓練指令為：
opencv_traincascade -data classifier -vec pos.vec -bg negatives.txt -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -numPos 14000 -numNeg 10000 -w 20 -h 20 -mode ALL -precalcValBufSize 1024 -precalcIdxBufSize 1024 -featureType LBP
pause通用引數：
-data <cascade_dir_name>
目錄名，如不存在訓練程式會建立它，用於存放訓練好的分類器。
-vec <vec_file_name>
包含正樣本的vec檔名（由 opencv_createsamples 程式生成）。
-bg <background_file_name>
背景描述檔案，也就是包含負樣本檔名的那個描述檔案。
-numPos <number_of_positive_samples>
每級分類器訓練時所用的正樣本數目。其指設定為正樣本數量的85%（這是一個保守值）。具體的也要根據級聯器的層數來決定的。因為每個stages都是會增加圖片數量來進行分類。
-numNeg <number_of_negative_samples>
每級分類器訓練時所用的負樣本數目，可以大於 -bg 指定的圖片數目。
-numStages <number_of_stages>
訓練的分類器的級數。
-precalcValBufSize <precalculated_vals_buffer_size_in_Mb>
快取大小，用於儲存預先計算的特徵值(feature values)，單位為MB。
-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>
快取大小，用於儲存預先計算的特徵索引(feature indices)，單位為MB。記憶體越大，訓練時間越短。
-baseFormatSave
這個引數僅在使用Haar特徵時有效。如果指定這個引數，那麼級聯分類器將以老的格式儲存。
級聯引數：
-stageType <BOOST(default)>
級別（stage）引數。目前只支援將BOOST分類器作為級別的型別。
-featureType<{HAAR(default), LBP}>
特徵的型別： HAAR - 類Haar特徵； LBP - 區域性紋理模式特徵。
-w <sampleWidth>
-h <sampleHeight>
訓練樣本的尺寸（單位為畫素）。必須跟訓練樣本建立（使用 opencv_createsamples 程式建立）時的尺寸保持一致。
Boosted分類器引數：
-bt <{DAB, RAB, LB, GAB(default)}>
Boosted分類器的型別： DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost。
-minHitRate <min_hit_rate>
分類器的每一級希望得到的最小檢測率。總的檢測率大約為 min_hit_rate^number_of_stages。總檢測率即為整個級聯器的檢測召回率，
-maxFalseAlarmRate <max_false_alarm_rate>
分類器的每一級希望得到的最大誤檢率。總的誤檢率大約為 max_false_alarm_rate^number_of_stages. 為整個級聯器的誤檢率
-weightTrimRate <weight_trim_rate>
Specifies whether trimming should be used and its weight. 一個還不錯的數值是0.95。
-maxDepth <max_depth_of_weak_tree>
弱分類器樹最大的深度。一個還不錯的數值是1，是二叉樹（stumps）。
-maxWeakCount <max_weak_tree_count>
每一級中的弱分類器的最大數目。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate.
類Haar特徵引數：
-mode <BASIC (default) | CORE | ALL>
選擇訓練過程中使用的Haar特徵的型別。 BASIC 只使用右上特徵， ALL 使用所有右上特徵和45度旋轉特徵。
此時訓練的結果圖：
注意：由於是20stages，所以訓練時間要三四個鍾，其中採用LBP特徵會比Haar特徵快十幾倍的訓練速度。還有如果想把檢測準確度提高很高，則需要大量的樣本和好的影象質量。
4、中斷後，如果不行在繼續訓練，如何通過先前的中間檔案來生產分類器檔案cascade.xml？
方法：此時需要修改訓練指令的【-numStages】將其設定成已有的states的層數，則其則會生成上面的檢測檔案xml。其如下：
至此已經訓練完成，並得到cascade.xml檢測檔案，接下來就是如何使用這個檔案用於人臉檢測，其方法是使用opencv3書裡提供的人臉檢測例子，只要替換相應的xml檔案即可，如下：
//---------------------------------【標頭檔案、名稱空間包含部分】----------------------------
// 描述：包含程式所使用的標頭檔案和名稱空間
//-------------------------------------------------------------------------------------------------
#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
#include <stdio.h>
using namespace std;
using namespace cv;
void detectAndDisplay( Mat frame );
//--------------------------------【全域性變數宣告】----------------------------------------------
// 描述：宣告全域性變數
//-------------------------------------------------------------------------------------------------
//注意，需要把"haarcascade_frontalface_alt.xml"和"haarcascade_eye_tree_eyeglasses.xml"這兩個檔案複製到工程路徑下
String face_cascade_name = "cascade.xml";
String eyes_cascade_name = "haarcascade_eye_tree_eyeglasses.xml";
CascadeClassifier face_cascade;
CascadeClassifier eyes_cascade;
string window_name = "Capture - Face detection";
RNG rng(12345);
//-----------------------------------【main( )函式】--------------------------------------------
// 描述：控制檯應用程式的入口函式，我們的程式從這裡開始
//-------------------------------------------------------------------------------------------------
int main( void )
{
VideoCapture capture;
Mat frame;
//-- 1. 載入級聯（cascades）
if( !face_cascade.load( face_cascade_name ) ){ printf("--(!)Error loading\n"); return -1; };
if( !eyes_cascade.load( eyes_cascade_name ) ){ printf("--(!)Error loading\n"); return -1; };
//-- 2. 讀取視訊
capture.open(0);
if( capture.isOpened() )
{
for(;;)
{
capture >> frame;
if( !frame.empty() )
{ detectAndDisplay( frame ); }
else
{ printf(" --(!) No captured frame -- Break!"); break; }
int c = waitKey(10);
if( (char)c == 'c' ) { break; }
}
}
return 0;
}
void detectAndDisplay( Mat frame )
{
std::vector<Rect> faces;
Mat frame_gray;
cvtColor( frame, frame_gray, COLOR_BGR2GRAY );
equalizeHist( frame_gray, frame_gray );
//-- 人臉檢測
face_cascade.detectMultiScale( frame_gray, faces, 1.1, 3, 0| cv::CASCADE_SCALE_IMAGE, Size(20, 20) );
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, 255 ), 2, 8, 0 );
Mat faceROI = frame_gray( faces[i] );
std::vector<Rect> eyes;
//-- 在臉中檢測眼睛
eyes_cascade.detectMultiScale( faceROI, eyes, 1.1, 2, 0 |CV_HAAR_SCALE_IMAGE, Size(30, 30) );
for( size_t j = 0; j < eyes.size(); j++ )
{
Point eye_center( faces[i].x + eyes[j].x + eyes[j].width/2, faces[i].y + eyes[j].y + eyes[j].height/2 );
int radius = cvRound( (eyes[j].width + eyes[j].height)*0.25 );
circle( frame, eye_center, radius, Scalar( 255, 0, 0 ), 3, 8, 0 );
}
}
//-- 顯示最終效果圖
imshow( window_name, frame );
}
"cascade.xml";
String eyes_cascade_name = "haarcascade_eye_tree_eyeglasses.xml";
CascadeClassifier face_cascade;
CascadeClassifier eyes_cascade;
string window_name = "Capture - Face detection";
RNG rng(12345);
//-----------------------------------【main( )函式】--------------------------------------------
// 描述：控制檯應用程式的入口函式，我們的程式從這裡開始
//-------------------------------------------------------------------------------------------------
int main( void )
{
VideoCapture capture;
Mat frame;
//-- 1. 載入級聯（cascades）
if( !face_cascade.load( face_cascade_name ) ){ printf("--(!)Error loading\n"); return -1; };
if( !eyes_cascade.load( eyes_cascade_name ) ){ printf("--(!)Error loading\n"); return -1; };
//-- 2. 讀取視訊
capture.open(0);
if( capture.isOpened() )
{
for(;;)
{
capture >> frame;
if( !frame.empty() )
{ detectAndDisplay( frame ); }
else
{ printf(" --(!) No captured frame -- Break!"); break; }
int c = waitKey(10);
if( (char)c == 'c' ) { break; }
}
}
return 0;
}
void detectAndDisplay( Mat frame )
{
std::vector<Rect> faces;
Mat frame_gray;
cvtColor( frame, frame_gray, COLOR_BGR2GRAY );
equalizeHist( frame_gray, frame_gray );
//-- 人臉檢測
face_cascade.detectMultiScale( frame_gray, faces, 1.1, 3, 0| cv::CASCADE_SCALE_IMAGE, Size(20, 20) );
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, 255 ), 2, 8, 0 );
Mat faceROI = frame_gray( faces[i] );
std::vector<Rect> eyes;
//-- 在臉中檢測眼睛
eyes_cascade.detectMultiScale( faceROI, eyes, 1.1, 2, 0 |CV_HAAR_SCALE_IMAGE, Size(30, 30) );
for( size_t j = 0; j < eyes.size(); j++ )
{
Point eye_center( faces[i].x + eyes[j].x + eyes[j].width/2, faces[i].y + eyes[j].y + eyes[j].height/2 );
int radius = cvRound( (eyes[j].width + eyes[j].height)*0.25 );
circle( frame, eye_center, radius, Scalar( 255, 0, 0 ), 3, 8, 0 );
}
}
//-- 顯示最終效果圖
imshow( window_name, frame );
}