AdaBoost 人脸检测介绍(6) : 使用OpenCV自带的 AdaBoost程序训练并检测目标

　　本系列文章总共有七篇，目录索引如下：
　　AdaBoost 人脸检测介绍(1) : AdaBoost身世之谜
　　AdaBoost 人脸检测介绍(2) : 矩形特征和积分图
　　AdaBoost 人脸检测介绍(3) : AdaBoost算法流程
　　AdaBoost 人脸检测介绍(4) : AdaBoost算法举例
　　AdaBoost 人脸检测介绍(5) : AdaBoost算法的误差界限
　　AdaBoost 人脸检测介绍(6) : 使用OpenCV自带的 AdaBoost程序训练并检测目标
　　AdaBoost 人脸检测介绍(7) : Haar特征CvHaarClassifierCascade等结构分析　

6. 使用OpenCV自带的 AdaBoost程序训练并检测目标　

　　OpenCV自带的AdaBoost程序能够根据用户输入的正样本集与负样本集训练分类器，常用于人脸检测，行人检测等。它的默认特征采用了Haar，不支持其它特征。人脸目标检测分为三个步骤：样本创建、训练分类器、利用训练好的分类器进行目标检测。

6.1 准备工作

　　● OpenCV（版本2.4.10）
　　● OpenCV内建的两个可执行程序：opencv_createsamples.exe 和 opencv_haartraining.exe
　　● N张人脸照片：N当然越大越好，目前从CC主播截图裁剪了100多张人脸图像。
　　● N张非人脸照片：为了让程序分辨何为人脸、何为非人脸，这一步也是非常重要的。
　　准备好以上的内容之后在D盘下创建了一个face目录来放置这些内容，如下图：

　　其中bin目录存放了OpenCV的库和可执行程序，如图：

　

　　positive目录存放了108张人脸图像，大小为20 x 20;
　　negative 目录存放了336张非人脸图像，大小为140 x 140;
　　data目录用于存放训练过程中生成的各种分类器，目前暂时为空。

6.2 样本创建

　　训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片。 负样本 可以来自于任意的图片，但这些图片不能包含目标特征。在用OpenCV自带的AdaBoost程序训练负样本时，负样本的大小不一定要与正样本相同。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下：
　　● 输入cmd打开Dos命令窗口，进入到negtive目录
　　● 输入 dir /b > negdata.dat，如图：

　　● 打开 negdata.dat文件，将最后一行的negdata.dat删除，保存退出，如图：

　　对于 正样本 ，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小）。由于HaarTraining训练时输入的正样本是vec文件，所以需要使用OpenCV自带的CreateSamples程序将准备好的正样本转换为vec文件。转换的步骤如下：
　　● 制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在图片中的位置和大小。典型的正样本描述文件如下：
　　　　positive/1.bmp 1 0 0 20 20
　　　　positive/2.bmp 1 0 0 20 20
　　　　positive/3.bmp 1 0 0 20 20
　　不过你可以把描述文件放在你的positive目录（即正样本目录）下，这样你就不需要加前面的相对路径了。同样它的生成方式可以用负样本描述文件的生成方法，最后用txt的替换工具将“bmp”全部替换成“bmp 1 0 0 20 20”就可以了，bmp后面那五个数字分别表示图片个数，目标的起始位置及宽高。这样就生成了正样本描述文件posdata.dat，如下图：

　

　　将最后一行的posdata.dat删除，接下来是将“bmp”全部替换成“bmp 1 0 0 20 20”：

　　完成之后的posdata.dat文件如下图所示：

　　● 运行CreateSample程序，如下图所示：

　　运行完之后在D:\face\data下生成 pos.vec文件，该文件包含正样本数目、宽高及所有样本图像数据。 Createsamples程序的一些常用命令行参数：
　　－vec 　　　　　训练好的正样本的输出文件名。
　　－img　　　　源目标图片（例如：一个公司图标）
　　－bg 　　背景描述文件。
　　－num 　　要产生的正样本的数量，和正样本图片数目相同。
　　－w 　　　　　　输出样本的宽度（以像素为单位）
　　－h　　　　　　输出样本的高度，以像素为单位
　
　### 6.3 训练分类器
　　样本创建之后，接下来就要训练分类器，这个过程是由haartraining程序来实现。该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。Haartraining的一些常用命令行参数如下：
　　－data 存放训练好的分类器的路径名。
　　－vec 正样本文件名
　　－bg 背景描述文件。
　　－npos 用来训练每一个分类器阶段的正样本。
　　－nneg 用来训练每一个分类器阶段的负样本。
　　－nstages 训练的阶段数。
　　－mem 预计的以MB为单位的可用内存，内存越大则训练速度越快。
　　－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。
　　－w　 训练样本的宽（以像素为单位），必须和训练样本创建的尺寸相同。
　　－h　训练样本的高（以像素为单位），必须和训练样本创建的尺寸相同。
　　
　　一个训练分类器的例子如下图：

　　按下Enter键之后就开始训练，如图：

　　。。。　。。。
　　

　　。。。　。。。
　　

　　每一级的强训练器达到你预设的比例以后就跑去训练下一级了，那个HR比例不要设置太高，不然会需要好多样本，然后nstages不要设置太小，不然到时候拿去检测速度会很慢。训练结束之后在data目录下生成了9个目录，每个目录下存放了训练好的分类器，如图：

还会在D:\face目录下生成 data.xml，下一次就可以拿着这个xml文件去做检测了！

6.4 开始检测

采用前面训练得到的data.xml作为分类器来检测人脸，此处省略检测代码：

检测效果图省略！检测效果不是很理想，需要调整训练参数和样本数目，这就需要慢慢琢磨！

[同步本人网易博客的文章] AdaBoost 人脸检测介绍(6) : 使用OpenCV自带的 AdaBoost程序训练并检测目标