前言
紅胖子，來也！
做圖像處理，經常頭痛的是明明分離出來了（非顔色的），分為幾塊區域，那怎麼知道這幾塊區域到底哪一塊是我們需要的，那麼這部分就涉及到需要識别了。
識别可以自己寫模闆比對、特征點識别、級聯分類器訓練識别。
本文章就是講解級聯分類器的訓練與識别。
明确目标
目标是識别視訊中的歌手，我們先手動采集資料集合。
視訊為《綠色》，如下圖：
訓練分類器前的準備工作
采集正樣本圖檔
正樣本的尺寸不是必須一緻的，但是要和生成的正樣本矢量檔案中的寬高有相同的比例（因為訓練過程中，會根據設定的寬高進行等比縮放，比如設定正版本圖檔是128x128的，那麼樣本為256x256會縮放，假設楊文為256x128的那麼比例就不同了，這個圖怎麼處理？待定）；
正樣本圖檔應該盡可能包含少的幹擾背景資訊。在訓練過程中多餘的背景資訊也會成為正樣本的一個局部特征，此處與深度學習不同，深度學習現在主流無腦深度學習，圖像基本的一些去噪都可能不做。
資料來源盡可能做到多樣化，比如樣本為車，車的姿态場景應稍豐富些。同一正樣本目标的圖像太多會使局部特征過于明顯，造成這個目标的訓練過拟合，影響檢測精度，不利于訓練器泛化使用。
我們采集視訊的人臉，先把視訊解碼後儲存成jpg圖檔。
此處省略一萬字…
建立樣本：opencv_createsamples.exe
使用opencv自帶的指令行工具opencv_createsamples.exe
-
[-info <collection_file_name>]
樣本說明檔案，每一行的内容為
xxx.jpg nums x y width height
例如：圖檔中有兩個目标
xxx.jpg 2 0 0 100 100 200 200 100 100
生成樣本在windows上依托指令行
dir /b > pos.data
-
[-img <image_file_name>]
通過一張圖檔的扭曲形變成多張圖檔作為樣本，就填寫這個參數，參數的内容為要扭曲的圖檔的路徑。填入後，-info參數不再有效。
-
[-vec <vec_file_name>]
樣本描述檔案的名字及路徑
-
[-bg <background_file_name>]
負樣本描述檔案的名字及路徑，如果省略，則使用bgcolor的值填充作為背景。就是跟存放負樣本圖檔（背景圖檔）目錄位置相同的描述檔案的路徑，可用txt,dat等格式儲存，每一行的内容為：xxx.jpg。
-
[-inv]
如果指定該标志，前景圖像的顔色将翻轉
-
[-randinv]
如果指定該标志，顔色将随機地翻轉
-
[-num <number_of_samples = 1000>]
總共幾個樣本，可以省略，則按照輸入的實際樣本數量産生
-
[-bgcolor <background_color = 0>]
背景顔色（目前為灰階圖）；背景顔色表示透明顔色。因為圖像壓縮可造成顔色偏差，顔色的容差可以由-bgthresh指定。所有處于bgcolor-bgthresh和bgcolor+bgthresh之間的像素都被設定為透明像素。
-
[-bgthresh <background_color_threshold = 80>]
（參考-bgcolor）
-
[-maxidev <max_intensity_deviation = 40>]
前景樣本裡像素的亮度梯度的最大值
-
[-maxxangle <max_x_rotation_angle = 1.100000>]
x軸最大旋轉角度，機關弧度
-
[-maxyangle <max_y_rotation_angle = 1.100000>]
y軸最大旋轉角度，機關弧度
-
[-maxzangle <max_z_rotation_angle = 0.500000>]
z軸最大旋轉角度，機關弧度
-
[-show [<scale = 4.000000>]]
顯示樣本，作為建立樣本時的調試
-
[-w <sample_width = 24>]
樣本縮放到的尺寸
-
[-h <sample_height = 24>]
樣本縮放到的尺寸
- [-maxscale ]：
- [-rngseed ]：
建立正樣本
建立負樣本
建立樣本檔案vec
opencv_createsamples -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -show -w 50 -h 70 \
-maxxangle 6.28 -maxyangle 6.28 -maxzangle 6.28
（注意：LBP特征50x70等都可以可以訓練，實測HAAR則必須是24x24 or 20x20）
訓練樣本opencv_traincascade.exe
使用opencv自帶的指令行工具opencv_traincascade.exe，可以訓練三個特征目标：HAAR、HOG、LBP。
-
-data <cascade_dir_name>
訓練的分類器的存儲目錄。
-
-vec <vec_file_name>
通過opencv_createsamples生成的vec檔案，正樣本的資料。
-
-bg <background_file_name>
負樣本說明檔案，主要包含負樣本檔案所在的目錄及負樣本檔案名。
-
[-numPos <number_of_positive_samples = 2000>]
每級分類器訓練時所用到的正樣本數目，但是應當注意，這個數值一定要比準備正樣本時的數目少。
-
[-numNeg <number_of_negative_samples = 1000>]
每級分類器訓練時所用到的負樣本數目，可以大于-bg指 定的圖檔數目。
-
[-numStages <number_of_stages = 20>]
訓練分類器的級數，強分類器的個數
-
[-precalcValBufSize <precalculated_vals_buffer_size_in_Mb = 1024>]
緩存大小，用于存儲預先計算的特征值，機關MB
-
[-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb = 1024>]
緩存大小，用于存儲預先計算的特征索引，機關MB
-
[-baseFormatSave]
僅在使用Haar特征時有效，如果指定，級聯分類器将以老格式存儲。
-
[-numThreads <max_number_of_threads = 1>]
支援多線程并行訓練
-
[-acceptanceRatioBreakValue = -1>]
此參數用于确定模型應保持學習的精确程度以及何時停止。一個好的指導方針是訓練不超過10e-5（等于10*10^(-5) ），以確定模型不會過度訓練您的訓練資料。預設情況下，此值設定為-1以禁用此功能。
–cascadeParams–
-
[-stageType <BOOST(default)>]
級聯類型，目前隻能取BOOST
-
[-featureType <{HAAR(default), LBP, HOG}>]
訓練使用的特征類型，目前支援的特征有Haar，LBP和HOG
-
[-w <sampleWidth = 24>]
訓練的正樣本的寬度，Haar特征的w和h一般為20，LBP特征的w和h一般為24，HOG特征的w和h一般為64
-
[-h <sampleHeight = 24>]
訓練的正樣本的高
–boostParams–
-
[-bt <{DAB, RAB, LB, GAB(default)}>]
增強分類器類型：DAB-Discrete AdaBoost，RAB-Real AdaBoost，LB-LogitBoost，GAB-Gentle AdaBoost。
-
[-minHitRate <min_hit_rate> = 0.995>]
類器每個階段的最小期望命中率。總體命中率估計為（最小命中率^階段數）。
-
[-maxFalseAlarmRate <max_false_alarm_rate = 0.5>]
分類器每個階段的最大期望誤報率。
-
[-weightTrimRate <weight_trim_rate = 0.95>]
指定是否應使用修剪及其權重。一個不錯的選擇是0.95。
-
[-maxDepth <max_depth_of_weak_tree = 1>]
弱樹的最大深度。一個不錯的選擇是1，這是樹樁的情況。
-
[-maxWeakCount <max_weak_tree_count = 100>]
每個級聯階段的最大弱樹數。提升分類器（stage）将具有許多弱樹（<=maxWeakCount），以實作給定的-maxFalseAllRate。
–haarFeatureParams–
-
[-mode <BASIC(default) | CORE | ALL>]
選擇訓練中使用的Haar特征集的類型。基本隻使用直立特征，而所有特征都使用全套直立和45度旋轉特征集。
訓練級聯分類器
opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType HAAR -w 64 -h 64
訓練出錯如下：
更換LBP特征，繼續訓練：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 64 -h 64
訓練出錯如下：
根據錯誤寬高是要跟建立的樣本一樣，改為50x70，(建立的樣本為50x70)，繼續訓練：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\neg.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70
負樣本再生成一次絕對路徑：
dir /b /s >negAb.txt
删掉非圖檔的行
然後繼續訓練：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70
訓練出錯，如下：
手動建立data目錄
繼續訓練：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt -numPos 41 -numNeg 215 -numStages 16 -featureType LBP -w 50 -h 70
然後，正常訓練，訓練完成：
如何訓練Haar
要訓練haar特征級聯分類器，最開始建立樣本就必須為24x24 or 20x20的（經過多次嘗試論證），最終設定24x24訓練出來如下：
opencv_traincascade.exe -data data -vec pos.vec -bg neg\negAb.txt \
-numPos 41 -numNeg 215 -numStages 16 -featureType HAAR -w 24 -h 24
訓練
opencv_createsamples -vec pos.vec -info pos/pos.txt -bg neg/neg.txt -\
show -w 24 -h 24 -maxxangle 6.28 -maxyangle 6.28 -maxzangle 6.28
使用該級聯分類器，使用cascade.xml加載即可。
Haar級聯分類器的測試
級聯分類器的測試請參考《OpenCV開發筆記（五十四）：紅胖子8分鐘帶你深入了解Haar級聯分類器進行人臉檢測（圖文并茂+淺顯易懂+程式源碼）》
上一篇：《OpenCV開發筆記（七十）：紅胖子帶你傻瓜式編譯VS2017x64版本的openCV4》
下一篇：持續補充中…