6. 使用OpenCV自帶的 AdaBoost程式訓練並檢測目標　

　　OpenCV自帶的AdaBoost程式能夠根據使用者輸入的正樣本集與負樣本集訓練分類器，常用於人臉檢測，行人檢測等。它的預設特徵採用了Haar，不支援其它特徵。人臉目標檢測分為三個步驟：樣本建立、訓練分類器、利用訓練好的分類器進行目標檢測。

6.1 準備工作

　　● OpenCV（版本2.4.10）
　　● OpenCV內建的兩個可執行程式：opencv_createsamples.exe 和 opencv_haartraining.exe
　　● N張人臉照片：N當然越大越好，目前從CC主播截圖裁剪了100多張人臉影象。
　　● N張非人臉照片：為了讓程式分辨何為人臉、何為非人臉，這一步也是非常重要的。
　　準備好以上的內容之後在D盤下建立了一個face目錄來放置這些內容，如下圖：

　　其中bin目錄存放了OpenCV的庫和可執行程式，如圖：

　　positive目錄存放了108張人臉影象，大小為20 x 20;
　　negative 目錄存放了336張非人臉影象，大小為140 x 140;
　　data目錄用於存放訓練過程中生成的各種分類器，目前暫時為空。

6.2 樣本建立

　　訓練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標樣本，反例樣本指其它任意圖片。負樣本可以來自於任意的圖片，但這些圖片不能包含目標特徵。在用OpenCV自帶的AdaBoost程式訓練負樣本時，負樣本的大小不一定要與正樣本相同。負樣本由背景描述檔案來描述。背景描述檔案是一個文字檔案，每一行包含了一個負樣本圖片的檔名（基於描述檔案的相對路徑）。該檔案建立方法如下：
　　● 輸入cmd開啟Dos命令視窗，進入到negtive目錄
　　● 輸入 dir /b > negdata.dat，如圖：

　　● 開啟 negdata.dat檔案，將最後一行的negdata.dat刪除，儲存退出，如圖：

　　對於正樣本，通常的做法是先把所有正樣本裁切好，並對尺寸做規整（即縮放至指定大小）。由於HaarTraining訓練時輸入的正樣本是vec檔案，所以需要使用OpenCV自帶的CreateSamples程式將準備好的正樣本轉換為vec檔案。轉換的步驟如下：
　　● 製作一個正樣本描述檔案，用於描述正樣本檔名（包括絕對路徑或相對路徑），正樣本數目以及各正樣本在圖片中的位置和大小。典型的正樣本描述檔案如下：
　　　　positive/1.bmp 1 0 0 20 20
　　　　positive/2.bmp 1 0 0 20 20
　　　　positive/3.bmp 1 0 0 20 20
　　不過你可以把描述檔案放在你的positive目錄（即正樣本目錄）下，這樣你就不需要加前面的相對路徑了。同樣它的生成方式可以用負樣本描述檔案的生成方法，最後用txt的替換工具將“bmp”全部替換成“bmp 1 0 0 20 20”就可以了，bmp後面那五個數字分別表示圖片個數，目標的起始位置及寬高。這樣就生成了正樣本描述檔案posdata.dat，如下圖：

　　將最後一行的posdata.dat刪除，接下來是將“bmp”全部替換成“bmp 1 0 0 20 20”：

　　完成之後的posdata.dat檔案如下圖所示：

　　● 執行CreateSample程式，如下圖所示：

　　執行完之後在D:\face\data下生成 pos.vec檔案，該檔案包含正樣本數目、寬高及所有樣本影象資料。 Createsamples程式的一些常用命令列引數：
　　－vec 　　　　　訓練好的正樣本的輸出檔名。
　　－img　　　　源目標圖片（例如：一個公司圖示）
　　－bg 　　背景描述檔案。
　　－num 　　要產生的正樣本的數量，和正樣本圖片數目相同。
　　－w 　　　　　　輸出樣本的寬度（以畫素為單位）
　　－h　　　　　　輸出樣本的高度，以畫素為單位
　
　### 6.3 訓練分類器
　　樣本建立之後，接下來就要訓練分類器，這個過程是由haartraining程式來實現。該程式原始碼由OpenCV自帶，且可執行程式在OpenCV安裝目錄的bin目錄下。Haartraining的一些常用命令列引數如下：
　　－data 存放訓練好的分類器的路徑名。
　　－vec 正樣本檔名
　　－bg 背景描述檔案。
　　－npos 用來訓練每一個分類器階段的正樣本。
　　－nneg 用來訓練每一個分類器階段的負樣本。
　　－nstages 訓練的階段數。
　　－mem 預計的以MB為單位的可用記憶體，記憶體越大則訓練速度越快。
　　－minhitrate 每個階段分類器需要的最小的命中率，總的命中率為min_hit_rate的number_of_stages次方。
　　－maxfalsealarm 沒有階段分類器的最大錯誤報警率，總的錯誤警告率為max_false_alarm_rate的number_of_stages次方。
　　－w　 訓練樣本的寬（以畫素為單位），必須和訓練樣本建立的尺寸相同。
　　－h　訓練樣本的高（以畫素為單位），必須和訓練樣本建立的尺寸相同。
　　
　　一個訓練分類器的例子如下圖：

　　按下Enter鍵之後就開始訓練，如圖：

　　每一級的強訓練器達到你預設的比例以後就跑去訓練下一級了，那個HR比例不要設定太高，不然會需要好多樣本，然後nstages不要設定太小，不然到時候拿去檢測速度會很慢。訓練結束之後在data目錄下生成了9個目錄，每個目錄下存放了訓練好的分類器，如圖：

還會在D:\face目錄下生成 data.xml，下一次就可以拿著這個xml檔案去做檢測了！

6.4 開始檢測

採用前面訓練得到的data.xml作為分類器來檢測人臉，此處省略檢測程式碼：

檢測效果圖省略！檢測效果不是很理想，需要調整訓練引數和樣本數目，這就需要慢慢琢磨！