前言
做項目的時候使用到了OpenCV自帶的haartraining訓練器。在這片文章中就針對其進行使用進行說明，希望對各位看官有用。
樣本集處理
正樣本集
這裡首先采集到未經處理的原始樣本集，通過手工标注或是截取的形式得到正樣本集。對正樣本集進行标準化，這裡生成的是30*30大小的正樣本圖像，這樣主要為了加快訓練的速度。得到的正樣本集如下
之後在目前目錄下打開指令行視窗，将正樣本的路徑導入到pos.txt檔案中去
dir /s/b > pos.txt
生成檔案之後需要對檔案進行标記指定目标的個數、區域的起始XY坐标、寬度、高度
調用opencv_createsamples.exe生成樣本集
上面指令行參數解釋為：通過pos.txt提供的路徑生成30*30圖像大小塊的正樣本集pos.vec。這裡順帶說明一下opencv_createsamples.exe程式的指令行參數：
-info <collection_file_name> 描述物體所在圖像以及大小位置的描述檔案。
-vec <vec_file_name>輸出檔案，内含用于訓練的正樣本。
-img <image_file_name>輸入圖像檔案名（例如一個公司的标志）。
-bg<background_file_name>背景圖像的描述檔案，檔案中包含一系列的圖像檔案名，這些圖像将被随機選作物體的背景。
-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>
-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。
-maxidev<max_intensity_deviation>前景樣本裡像素的亮度梯度的最大值。
-maxxangle <max_x_rotation_angle>X軸最大旋轉角度，必須以弧度為機關。
-maxyangle <max_y_rotation_angle>Y軸最大旋轉角度，必須以弧度為機關。
-maxzangle<max_z_rotation_angle>Z軸最大旋轉角度，必須以弧度為機關。
-show很有用的調試選項。如果指定該選項，每個樣本都将被顯示。如果按下Esc鍵，程式将繼續建立樣本但不再顯示。
-w<sample_width>輸出樣本的寬度（以像素為機關）。
-h<sample_height>輸出樣本的高度（以像素為機關）。
負樣本集
對于負樣本集并不要求樣本的尺寸都是完全相同的，但是要大于正樣本的大小。負樣本不能有重複的，且增大負樣本的差異性。這裡對負樣本隻進行了灰階化處理。
處理完負樣本圖像之後，也需要生成負樣本目錄檔案
訓練和檢測
訓練
前面已經收集好了正樣本和負樣本，接下來就可以使用訓練器進行訓練了
說一下這些參數的含義
1.通用參數：
-data <cascade_dir_name>目錄名，如不存在訓練程式會建立它，用于存放訓練好的分類器。
-vec <vec_file_name>包含正樣本的vec檔案名（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案名的那個描述檔案。
-numPos <number_of_positive_samples>每級分類器訓練時所用的正樣本數目。
-numNeg <number_of_negative_samples>每級分類器訓練時所用的負樣本數目，可以大于 -bg 指定的圖檔數目。
-numStages <number_of_stages>訓練的分類器的級數。
-precalcValBufSize<precalculated_vals_buffer_size_in_Mb>緩存大小，用于存儲預先計算的特征值(feature values)，機關為MB。
-precalcIdxBufSize<precalculated_idxs_buffer_size_in_Mb>緩存大小，用于存儲預先計算的特征索引(feature indices)，機關為MB。記憶體越大，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，那麼級聯分類器将以老的格式存儲。
2.級聯參數：
-stageType <BOOST(default)>級别（stage）參數。目前隻支援将BOOST分類器作為級别的類型。
-featureType<{HAAR(default), LBP}>特征的類型： HAAR - 類Haar特征； LBP - 局部紋理模式特征。
-w <sampleWidth>
-h <sampleHeight>訓練樣本的尺寸（機關為像素）。必須跟訓練樣本建立（使用 opencv_createsamples 程式建立）時的尺寸保持一緻。
3.分類器參數：
-bt <{DAB, RAB, LB,GAB(default)}> Boosted分類器參數：
DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB -Gentle AdaBoost。Boosted分類器的類型：
-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n_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。總的誤檢率大約為 max_false_alarm_rate^number_of_stages.
-weightTrimRate <weight_trim_rate>Specifies whether trimmingshould be used and its weight.一個還不錯的數值是.。
-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，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 boostedclassifier (stage) will have so many weak trees (<=maxWeakCount), as neededto achieve the given -maxFalseAlarmRate.
4.類Haar特征參數：
-mode <BASIC (default) |CORE | ALL>選擇訓練過程中使用的Haar特征的類型。 BASIC 隻使用右上特征， ALL使用所有右上特征和度旋轉特征。
5.LBP特征參數：
LBP特征無參數。
訓練完成之後看到的就是最重要的XML檔案了，用作後面分類使用
檢測
這裡就直接貼出目标檢測的代碼了
//根據提供的XML去檢測目标圖像是否包含需要的結果
bool ObjectDetectShow(std::string xml_path, std::string testpic_path)
{
cv::CascadeClassifier Mycascade;
if (!Mycascade.load(xml_path))
{
cout << "[error] 無法加載級聯分類器檔案！" << endl;
return false;
}
cv::Mat image = cv::imread(testpic_path, );//讀取圖檔
if (!image.data)
{
cout << "[error] 沒有圖檔" << endl;
return false;
}
std::vector<cv::Rect> pedestrain;
cv::Mat frame_gray = image;
Mycascade.detectMultiScale(frame_gray, pedestrain, , , , cv::Size(, ));
for (unsigned int i = ; i < pedestrain.size(); i++)
{
rectangle(image, pedestrain[i], cv::Scalar(, , ), ); //畫出目标的矩形區域
//接下來還需要有對這些檢測出來的區域進行進一步甄别的代碼，此處省略...
}
cv::imshow("result", image);
cv::waitKey();
return true;
}
檢測函數參數說明
void CascadeClassifier::detectMultiScale(const Mat& image, —Mat類型的圖像
vector<Rect>& objects, —檢測得到的矩形
double scaleFactor, —圖像縮放因子，必須大于
int minNeighbors, —構成檢測目标的相鄰矩形的最小個數
int flags, —舊分類器使用，新分類器棄用
Size minObjectSize, —最小檢測視窗大小
Size maxObjectSize) —最大檢測視窗大小（預設是圖像大小）