在本文中我將利用 opencv 3.0 自帶級聯分類器將圖片集訓練得出訓練好的分類器，通過程式呼叫的方法呼叫訓練好的分類器進而檢測行人。

首先應找到級聯分類器的位置所在，其位置一般應在opencv安裝的根目錄中，選中我劃出的兩個程式複製到訓練集資料夾中。

兩者的作用分別是：

opencv_createsamples用於準備訓練用的正樣本資料和測試資料，能夠生成能被opencv_traincascade程式支援的正樣本資料。其輸出是以".vec"為副檔名的檔案，該檔案以二進位制方式儲存影象。

opencv_traincascade用於訓練自己的級聯分類器，支援 Haar和 LBP (Local Binary Patterns)兩種特徵，並易於增加其他的特徵。訓練需要訓練資料和測試資料，其中訓練資料包含正樣本pos和負樣本neg。

訓練過程可以分為三個階段：

階段一：訓練資料的準備

階段二：訓練級聯分類器

階段三：利用訓練好的分類器進行檢測

**************************************************************************************************************************

階段一：訓練資料的準備

正樣本是指含有識別物體的圖片，負樣本是不含有識別物體的圖片。負樣本最好是選擇與正樣本關聯性強的資料。

1準備正樣本

正樣本由 opencv_createsamples 程式生成。正樣本可以由包含待檢測物體的一張圖片生成，也可以由一系列標記好的影象生成。

在準備正樣本前應當將所有正樣本圖片進行統一縮放，該尺寸將作為訓練視窗的尺寸。

將所有的正樣本圖片置於一個資料夾中，然後在dos視窗中進入pos資料夾，輸入命令"dir/b > pos.dat"生成檔名列表，通過記事本開啟該檔案，手動修改檔案為如下格式：
檔名 待檢測目標數 ** ** width(輸出樣本的寬度) height(輸出樣本的高度)   

注：**表示未知引數，建議填0，下圖為pos.dat檔案格式

pos.dat檔案準備好後，在dos命令視窗執行opencv_createsamples.exe程式，格式如下：

"opencv_createsamples.exe" -info "pos\pos.dat"   -vec pos.vec -num 500 -w 64 -h 128 
 
 

opencv_createsamples.exe程式的命令列引數：

• -info <collection_file_name> 描述物體所在影象以及大小位置的描述檔案。
•  -vec <vec_file_name>輸出檔案，內含用於訓練的正樣本。
•  -img <image_file_name>輸入影象檔名（例如一個公司的標誌）。
•  -bg<background_file_name>背景影象的描述檔案，檔案中包含一系列的影象檔名，這些影象將被隨機選作物體的背景。
• -num<number_of_samples>生成的正樣本的數目。
•  -bgcolor<background_color>背景顏色（目前為灰度圖）；背景顏色表示透明顏色。因為影象壓縮可造成顏色偏差，顏色的容差可以由-bgthresh指定。所有處於bgcolor-bgthresh和bgcolor+bgthresh之間的畫素都被設定為透明畫素。
• -bgthresh <background_color_threshold>
•  -inv如果指定該標誌，前景影象的顏色將翻轉。
• -randinv如果指定該標誌，顏色將隨機地翻轉。
•  -maxidev<max_intensity_deviation>前景樣本里畫素的亮度梯度的最大值。
• -maxxangle <max_x_rotation_angle>X軸最大旋轉角度，必須以弧度為單位。
•  -maxyangle <max_y_rotation_angle>Y軸最大旋轉角度，必須以弧度為單位。
•  -maxzangle<max_z_rotation_angle>Z軸最大旋轉角度，必須以弧度為單位。
•  -show很有用的除錯選項。如果指定該選項，每個樣本都將被顯示。如果按下Esc鍵，程式將繼續建立樣本但不再顯示。
•  -w <sample_width>輸出樣本的寬度（以畫素為單位）。
• -h<sample_height>輸出樣本的高度（以畫素為單位）。

如下圖(圖是取自其他博主的，做的時候忘了截圖了)

2、準備負樣本

 負樣本可以是任意影象，但是這些影象中不能包含待檢測的物體。用於摳取負樣本的影象檔名被列在一個neg.dat檔案中。生成方式與正樣本相同，但僅僅包含檔名列表就可以了。這個檔案是純文字檔案，每行是一個檔名（包括相對目錄和檔名）這些影象可以是不同的尺寸，但是影象尺寸應該比正樣本圖片的尺寸大，因為這些影象將被用於摳取負樣本，並將負樣本縮小到訓練視窗大小。

階段二：訓練級聯分類器

在DOS視窗中輸入以下語句進行分類器的訓練

"opencv_traincascade.exe"  -data data -vec pos.vec -bg neg\neg.dat -numPos 29 -numNeg 29 -numStages 20 -mem 200 -featureType LBP  -w 64 -h 128

欄位說明如下：
-data：指定儲存訓練結果的資料夾；
-vec:指定正樣本集；
-bg:指定負樣本的描述資料夾；
-numPos：指定每一級參與訓練的正樣本的數目（要小於正樣本總數）；
-numNeg:指定每一級參與訓練的負樣本的數目（可以大於負樣本圖片的總數）；
-numStage:訓練的級數；
-w:正樣本的寬；
-h:正樣本的高；
-minHitRate:每一級需要達到的命中率（一般取值0.95-0.995）；
-maxFalseAlarmRate:每一級所允許的最大誤檢率；
-mode:使用Haar-like特徵時使用，可選BASIC、CORE或者ALL；
另外，還可指定以下欄位：
-featureType:可選HAAR或LBP，預設為HAAR;

其他欄位將不再說明。

儲存，雙擊執行，開始漫長的訓練過程（訓練可中斷，中斷後再執行，會繼續中斷前的訓練）

下圖是取自其他博主的，做的時候忘了截圖了

訓練結束後，data資料夾下會生成如下訓練結果：

階段三：利用訓練好的分類器進行檢測

#include <opencv2/opencv.hpp>
#include <iostream>
#include <stdio.h>

using namespace std;
using namespace cv; 
  
string Cascade_mode ="cascade.xml";   //已訓練好的分類器
CascadeClassifier Mycascade;  
string window_name = "Pedestrain";  
  
Mat detectAndDisplay(Mat);  
  
int main()  
{  
    Mat image,ROI;  
	
    if(!Mycascade.load( Cascade_mode ))  { printf("[error] 無法載入級聯分類器檔案！\n");   return -1;    }  
    image= imread("road.jpg");//讀取圖片  
    if(!image.data)  {   printf("[error] 沒有圖片\n");   return -5;  }  
    ROI= detectAndDisplay(image);  
    waitKey(0);   
    return 4;  
}  
  
Mat detectAndDisplay( Mat frame)  
{  
    std::vector<Rect> pedestrain;  
	Mat frame_gray(frame.size(),CV_8U);  
    cvtColor( frame, frame_gray, CV_BGR2GRAY );  
    equalizeHist( frame_gray, frame_gray );  
  
    Mycascade.detectMultiScale( frame_gray, pedestrain, 1.1, 2, 0, Size(64, 128) );  
  
    for( int i = 0; i < pedestrain.size(); i++ )  {    
        rectangle(frame,                   //影象.  
			      pedestrain[i],
                  Scalar(0, 255, 0),     //線條顏色 (RGB) 或亮度（灰度影象 ）(grayscale image）  
                  1);                   //組成矩形的線條的粗細程度。取負值時（如 CV_FILLED）函式繪製填充了色彩的矩形 
    }  
 
  imshow( window_name, frame );  
  return frame;  
}