利用Opencv中的Haartraining训练特征的经验谈.....

最近需要熟悉一下haar特征，带着一个师妹熟悉一下从特征提取到训练的整个过程。

第一次接触，熟悉玩haar特征和adaboost原理后。实验开始了

试验中采用了MIT CACL人脸的数据库。

实验中产生样本数据的命令如下：

char order0[1024] = "opencv_createsamples.exe \
-vec pos.vec \
-info faces\\faces.txt \
-w 20 \
-h 20 \
-num 2000";

这一步一般都没有问题

之后就是数据训练了，命令如下：

char order[1024] = "opencv_haartraining.exe \
-data test \
-vec pos.vec \
-bg nonfaces\\nonfaces.txt \
-minhitrate 0.995 \
-maxfalsealarm 0.45 \
-nstages 15\
-npos 2000 \
-nneg 3000 \
-w 20 \
-h 20 \
-nonsym \
-mem 1024 \
-mode basic \
-noeqw";

这里默认的nstegas为14，因此minhitrate一般最好大于0.99

训练中总是在运行到7或8层的时候停住，有时候等上一上午也不见进展

翻阅很多网友的报告后，总结如下：

1、正负样本比例

2、反例样本的质量

3、内存的大小

分析了半天，有看了看adaboost原理

如果负样本质量不高，也就是说负样本跟正样本的相似度不大，那么在训练的过程中：

正检测率为1，负检测率为0，程序金辉进入死循环。

因为每一层的训练，都会有新的负样本补充进来，形成新的训练样本。

而越是进行到后面的迭代负样本的质量要求越高

要是相似度太大或者负样本少了，都有可能造成死循环。

因此我修改了负样本，加入了很多差别比较大的突破，最终达到了8000+

训练很快就完成了（用服务器跑的）

最后实验的效果也不错，检测速率和效果也说不错的。

实验的程序给大家贴出来，就不用老进dos了。

#include 
#include 
#include 
#include 
#include 
#include 

using namespace std;

char order[1024] = "opencv_haartraining.exe \
-data test \
-vec pos.vec \
-bg nonfaces\\nonfaces.txt \
-minhitrate 0.95 \
-maxfalsealarm 0.45 \
-nstages 15\
-npos 2000 \
-nneg 3000 \
-w 20 \
-h 20 \
-nonsym \
-mem 1024 \
-mode basic \
-noeqw";

char order0[1024] = "opencv_createsamples.exe \
-vec pos.vec \
-info faces\\faces.txt \
-w 20 \
-h 20 \
-num 100";

int main()
{
	//cout<