opencv3.3中有可以訓練分類器opencv_traincascade.exe，可以用HAAR、LBP和HOG特征訓練分類器。

這個函數都可以在opencv\build\x64\vc14\bin文件夾下找到，本文主要講opencv_traincascade.exe訓練LBP特征的分類器。

訓練的過程包過四步：

①樣本的準備

②對樣本進行處理

③生成樣本描述文件

④訓練分類器

1、樣本的準備

　　以行人訓練為例，首先正樣本是各種各樣的行人的照片，負樣本就是非人照片。樣本個數最好在上千個，個數太少訓練出來的分類器不能準確的檢測行人，網上對正負樣本的個數比例不盡相同，有的說3:1有的說7:3,具體的還是要自己去實驗，我用的正樣本有13692

ps：對正負樣本的幾點說明

　　正負樣本都要轉化成灰度圖，而且對於正樣本用haar特征訓練是規格化成20*20或其他大小，最好不要太大，過多的haar特征會影響分類器的訓練時間；對於LBP特征正樣本要規格化為24*24大小，而對於HOG要規格化成64*64. 負樣本對尺寸沒有統一要求，在訓練對應的分類器時，選擇的負樣本尺寸一定要大於等於正樣本規定的尺寸。

　　 a）正樣本就是人的圖片就行了，盡量包含少的背景。

　 　b）負樣本有兩點要求：

　　　 　一、不能包含正樣本且盡可能多的提供場景的背景圖；

　　　　二、負樣本盡可能的多，而且要多樣化，和正樣本有一定的差距但是差別也不要太大，否則容易在第一級就全部被分類器reject，訓練時不能顯示負樣本的個數，從而導致卡死。

2、對樣本進行處理

在正負樣本中各寫一個批處理文件，如下圖：

　　PostiveData.bat內容如下:

@echo off
:: 如果要文件名帶上路徑，則需要在dir這一句的%%~nxi上作改動
::                  code by FBY && RMW
if exist PostiveData.txt del PostiveData.txt /q
::for /f "
 
delims=" %%i in (‘dir *.jpg /b /a-d /s‘) do echo %%~nxi PostiveData.txt
for /f "delims=" %%i in (‘dir *.png *.jpg *.ppm /b /a-d /s‘) do (
        echo %%~dpi%%~nxi 1 0 0 20 20>>PostiveData.txt
        )
if not exist PostiveData.txt goto no_file
start PostiveData.txt
exit

:no_file
cls
echo       %cur_dir% 文件夾下沒有單獨的文件
pause 

　　NegativeData.bat內容如下:

@echo off
:: 如果要文件名帶上路徑，則需要在dir這一句的%%~nxi上作改動
::                  code by FBY && RMW
if exist NegativeData.txt del NegativeData.txt /q
for /f "delims=" %%i in (‘dir *.png *.jpg *.ppm /b /a-d /s‘) do (
        echo %%~dpi%%~nxi>>NegativeData.txt
        )
if not exist NegativeData.txt goto no_file
start NegativeData.txt
exit

:no_file
cls
echo       %cur_dir% 文件夾下沒有單獨的文件
pause 

最終生成的是PostiveData.txt和 NegativeData.txt文件。

①PostiveData.txt格式：

其中，第一列為圖像名，第二列為該圖像中正樣本的個數，最後的為正樣本在圖像中的位置以及需要摳出的正樣本的尺寸

②NegativeData.txt中只包含一列即圖像名。

3、生成樣本描述文件

對正負樣本進行以上預處理之後，就可以創建正樣本vec文件了。

首先把opencv自帶的訓練函數和正負樣本的.txt文件一起放到同一個文件夾下。如：

命令行進入opencv_createsamples.exe文件夾下，依次輸入：opencv_createsamples.exe -info PostiveData.txt -vec pos.vec -bg NegativeData.txt -num 13692 -w 20 -h 20 回車之後文件夾下就會出現pos.vec文件。

以上參數的含義如下：
－vec <vec_file_name>：訓練好的正樣本的輸出文件名。
－img<image_file_name>：源目標圖片（例如：一個公司圖標）
－bg<background_file_name>：背景描述文件。
－num<number_of_samples>：要產生的正樣本的數量，和正樣本圖片數目相同。
－bgcolor<background_color>：背景色（假定當前圖片為灰度圖）。背景色制定了透明色。對於壓縮圖片，顏色方差量由bgthresh參數來指定。則在bgcolor－bgthresh 和bgcolor＋bgthresh 中間的像素被認為是透明的。
－bgthresh<background_color_threshold>

－inv：如果指定，顏色會反色
－randinv：如果指定，顏色會任意反色
－maxidev<max_intensity_deviation>：背景色最大的偏離度。
－maxangel<max_x_rotation_angle>，
－maxangle<max_y_rotation_angle>，
－maxzangle<max_x_rotation_angle>：最大旋轉角度，以弧度為單位。
－show：如果指定，每個樣本會被顯示出來，按下"esc"會關閉這一開關，即不顯示樣本圖片，而創建過程
繼續。這是個有用的debug 選項。
－w<sample_width>：輸出樣本的寬度（以像素為單位）
－h<sample_height>：輸出樣本的高度（以像素為單位）

註意：只需要對正樣本進行以上操作，負樣本不需要生成vec文件

4、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。

在cmd命令行下輸入：
D:\opencv3.3\build\x64\vc14\bin>opencv_traincascade.exe -data xml -vec pos.vec -bg NegativeData.txt -numPos 13692 -numNeg 5007 -numStages 20 -featureType LBP -w 20 -h 20

（其中-data後面的xml是在D:\opencv3.3\build\x64\vc14\bin下面的文件夾，新建一個空的文件夾就行）

按enter就可以進入訓練階段了。

opencv_traincascade.exe的命令行參數解釋如下：

-data <cascade_dir_name>：目錄用於保存訓練產生的分類器xml文件和中間文件（對於上面的LBP_classifier），如不存在訓練程序會創建它；

-vec <vec_file_name>：由 opencv_createsamples 程序生成的包含正樣本的vec文件名（對應上面的pos_24_24.vec）；

-bg <background_file_name>：背景描述文件，也就是包含負樣本文件名的那個描述文件（對應上面的neg\neg.txt）；

-numPos <number_of_positive_samples>：每級分類器訓練時所用的正樣本數目（默認值為2000）；
-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（默認值為1000）；

-numStages <number_of_stages>：訓練的分類器的級數（默認值為20級）；

-precalcValBufSize <precalculated_vals_buffer_size_in_Mb>：緩存大小，用於存儲預先計算的特征值(feature values)，單位為MB（默認值為256）；
-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>：緩存大小，用於存儲預先計算的特征索引(feature indices)，單位為MB（默認值為256）；

內存越大，訓練時間越短。
-baseFormatSave：這個參數僅在使用Haar特征時有效。如果指定這個參數，那麽級聯分類器將以老的格式存儲（默認不指定該參數項，此時其值為false；一旦指定則其值默認為true）；

級聯參數：CvCascadeParams類，定義於cascadeclassifier.h
-stageType <BOOST(default)>：級別（stage）參數。目前只支持將BOOST分類器作為級聯的類型；
-featureType<{HAAR(default), LBP}>：特征的類型： HAAR - 類Haar特征； LBP - 局部紋理模式特征（默認Harr）；
-w <sampleWidth>：訓練樣本的寬（單位為像素，默認24）；
-h <sampleHeight>：訓練樣本的高（單位為像素，默認24）；
訓練樣本的尺寸必須跟訓練樣本創建（使用 opencv_createsamples 程序創建）時的尺寸保持一致。

Boosted分類器參數：CvCascadeBoostParams類，定義於boost.h
-bt <{DAB, RAB, LB, GAB(default)}>：Boosted分類器的類型（DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost為默認）；
-minHitRate <min_hit_rate>：分類器的每一級希望得到的最小檢測率（默認值為0.995），總的檢測率大約為 min_hit_rate^number_of_stages；
-maxFalseAlarmRate <max_false_alarm_rate>：分類器的每一級希望得到的最大誤檢率（默認值為0.5），總的誤檢率大約為 max_false_alarm_rate^number_of_stages；
-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（默認值為100）。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate；

其中訓練出來的某一級的結果如下：

等到分類器訓練到你自己設定的級數 就完成了。最後得到的cascad.xml就是我們需要的結果。

用opencv3.3自帶的traincascade.exe訓練LBP特征的分類器