利用OpenCV自带的haartraining程序训练分类器并测试

OpenCV提供了两个程序可以训练自己的级联分类器opencv_haartraining与opencv_traincascade，opencv_haartraining是一个将被弃用的程序，opencv_traincascade是一个新程序，使用opencv 2.x API 以C++编写。这二者主要的区别是opencv_traincascade支持 Haar和 LBP (Local Binary Patterns)两种特征，并易于增加其他的特征。
opencv_haartraining程序训练一个分类器模型，方法与opencv_traincascade相似(样本准备可参考另一篇博文利用OpenCV自带的traincascade程序训练分类器)。
opencv_haartraining程序的.bat批处理文件的格式如下：

@echo
opencv_cascade\opencv_haartraining.exe -data cascades -vec positivesamples/possamples.vec -bg negativesamples/negsamples.txt -npos 2000 -nneg 10000 -nstages 20 -nsplits 2 -mem 1024 -minhitrate 0.995 -maxfalsealarm 0.5 weighttrimming 0.95 -mode ALL -w 28 -h 28 
Pause

opencv_haartraining 的命令行参数如下：
－data
存放训练好的分类器的路径名
－vec
正样本文件名（由trainingssamples程序或者由其他的方法创建的）
－bg
背景描述文件
－npos，
－nneg
用来训练每一个分类器阶段的正/负样本。合理的值是：nPos = 7000;nNeg= 3000
－nstages
训练的阶段数。
－nsplits
决定用于阶段分类器的弱分类器。如果1，则一个简单的stump classifier被使用。如果是2或者更多，则带有number_of_splits个内部节点的CART分类器被使用。
－mem
预先计算的以MB为单位的可用内存。内存越大则训练的速度越快。
－sym（default）
－nonsym
指定训练的目标对象是否垂直对称。垂直对称提高目标的训练速度。例如，正面部是垂直对称的。
－minhitrate
每个阶段分类器需要的最小的命中率。总的命中率为min_hit_rate的number_of_stages次方。
－maxfalsealarm
没有阶段分类器的最大错误报警率。总的错误警告率为max_false_alarm_rate的number_of_stages次方。
－weighttrimming
指定是否使用权修正和使用多大的权修正。一个基本的选择是0.9
－eqw
－mode< basic(default)|core|all >
选择用来训练的haar特征集的种类。basic仅仅使用垂直特征。all使用垂直和45度角旋转特征。
－w
－h
训练样本的尺寸，（以像素为单位）。必须和训练样本创建的尺寸相同。

opencv_performance测试分类器模型
opencv_performance 可以用来评估分类器的质量，但只能评估 opencv_haartraining 输出的分类器。它读入一组标注好的图像，运行分类器并报告性能，如检测到物体的数目，漏检的数目，误检的数目，以及其他信息。同样准备测试数据集test，生成图像列表文件，格式与训练者正样本图像列表相同，需要标注目标文件的个数与位置。
opencv_performance程序的.bat批处理文件的格式如下：

@echo
opencv_cascade\opencv_performance.exe  -data cascade/cascade.xml -info test/test.txt -w 28 -h 28 -rs 30  
Pause 

opencv_performance 的命令行参数如下所示：
-data
训练好的分类器
-info
描述物体所在图像以及大小位置的描述文件
-maxSizeDiff< max_size_difference =1.500000 >
-maxPosDiff< max_position_difference =0.300000 >
-sf< scale_factor = 1.200000 >
-ni 选项抑制创建的图像文件的检测
-nos< number_of_stages = -1 >
-rs< roc_size = 40 >
-w< sample_width = 24 >
-h< sample_height = 24 >

关于OpenCV分类器训练的文章可参考博客。