opencv3.2训练分类器步骤记录
环境：win10，OpenCV3.2.0
用到的工具：opencv_createsamples.exe、opencv_traincascade.exe（有些版本是opencv_haartraining.exe），这两个工具在opencv的安装路径下。
整个过程分成三阶段：样本采集、分类器训练和运用训练好的分类器进行人脸检测。
一、样本采集
(1)收集训练样本
训练样本包括正样本和负样本。正样本，通俗点说，就是图片中只有你需要的目标。而负样本的图片只要其中不含有目标就可以了。但需要说明的是，负样本也并非随便选取的，最好是与检测目标相关的图片。例如，你需要检测的目标是汽车，那么正样本就应该是仅仅含有汽车的图片，而负样本显然不能是一些包含天空、海洋等风景的图片，因为最终训练分类器的目的是检测汽车，而汽车应该出现在马路上。也就是说，分类器最终检测的图片应该是那些包含马路，交通标志，建筑物，广告牌，汽车，摩托车，三轮车，行人，自行车等在内的图片。很明显，这里的负样本应该是包含摩托车、三轮车、自行车、行人、路面、灌木丛、花草、交通标志、广告牌等的图片。
需要注意的是，adaboost方法是机器学习中的一个经典算法，而机器学习算法的前提条件是，测试样本和训练样本独立同分布。所谓的独立同分布，可以简单理解为：训练样本要和最终的应用场合非常接近或者一致。否则，基于机器学习的算法并不能保证算法的有效性。此外，足够的训练样本（至少得几千张正样本、几千张负样本）也是保证训练算法有效性的一个前提条件。
(2)正样本尺寸归一化
将上一步收集到的正样本进行尺寸归一化，尺寸归一化的目的是将所有的图片都缩放到同一大小，比如，缩放到20*20的大小,可以用批量编辑工具，批量将图片改成同一尺寸。
(3)建立正负样本说明文件
利用命令行，运行生成正样本图片名描述文件，打开pos.txt删除非图片名的行；同样的方法建立负样本名描述文件neg.txt,注意删除非图片名的行，每一行为一个文件名，负样本图像可以是不同的尺寸，但是图像尺寸应该比训练窗口的尺寸大，因为这些图像将被用于抠取负样本。
D:\OpenCV\MyProject\flq\pic\face\face\posdata>dir /b >pos.txt
D:\OpenCV\MyProject\flq\pic\face\face\negdata>dir /b >neg.txt打开pos.txt删除最后一行“pos.txt”，并编辑文本内容，如下：
这里1表示当前图片重复出现的次数是1， 0 0 20 20表示目标图片大小是矩形框从（0，0）到（20，20）。
接着打开neg.txt，删除最后一行“neg.txt”。
二、分类器训练
(1)创建正样本.vec文件
D:\OpenCV\opencv\build_new\install\bin>opencv_createsamplesd.exe -info posdata\pos.txt -vec pos.vec -num 18587 -w 20 -h 20其中命令行参数含义为：
－info
描述物体所在图像以及大小位置的描述文件
－vec
训练好的正样本的输出文件名。
－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《sample_height》
输出样本的高度，以像素为单位。
(2)开始训练级联分类器
注意正样本图片、pos.txt、pos.vec、负样本图片、neg.txt、opencv_createsamples.exe、opencv_traincascade.exe之间路径的关系。
D:\OpenCV\opencv\build_new\install\bin>opencv_traincascaded.exe -data xml -vec pos.vec -bg neg.txt -numPos 6996 -numNeg 10926 -numStages 20 -precalcValbufSize 200 -precalcdxBufSize 1000 -featureType LBP -w 20 -h 20 -minHitRate 0.995 -maxFalseAlarmRate 0.5 -weightTrimRate 0.95 -maxDepth 1 -maxWeakCount 100 -mode ALL下面是 opencv_traincascade 的命令行参数，以用途分组介绍：
1.通用参数：
-data
目录名，如不存在训练程序会创建它，用于存放训练好的分类器。
-vec
包含正样本的vec文件名（由 opencv_createsamples 程序生成）。
-bg
背景描述文件，也就是包含负样本文件名的那个描述文件。
-numPos
每级分类器训练时所用的正样本数目。
-numNeg
每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目。
-numStages
训练的分类器的级数。
-precalcValBufSize
缓存大小，用于存储预先计算的特征值(feature values)，单位为MB。
-precalcIdxBufSize
缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB。内存越大，训练时间越短。
-baseFormatSave
这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储。
2.级联参数：
-stageType< BOOST(default) >
级别（stage）参数。目前只支持将BOOST分类器作为级别的类型。
-featureType<{HAAR(default), LBP}>
特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征。
-w
-h
训练样本的尺寸（单位为像素）。必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。
3.Boosted分类器参数：
-bt <{DAB, RAB, LB, GAB(default)}>
Boosted分类器的类型： DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost。
-minHitRate
分类器的每一级希望得到的最小检测率。总的检测率大约为 min_hit_rate^number_of_stages。
-maxFalseAlarmRate
分类器的每一级希望得到的最大误检率。总的误检率大约为 max_false_alarm_rate^number_of_stages.
-weightTrimRate
Specifies whether trimming should be used and its weight. 一个还不错的数值是0.95。
-maxDepth
弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）。
-maxWeakCount
每一级中的弱分类器的最大数目。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate.
4.类Haar特征参数：
-mode< BASIC (default) | CORE | ALL >
选择训练过程中使用的Haar特征的类型。 BASIC 只使用右上特征， ALL 使用所有右上特征和45度旋转特征。
5.LBP特征参数：
LBP特征无参数。
命令参数中numPos的计算方式：
number >= (numPos + (numStages-1) * (1 – minHitRate) * numPos) + Snumber为正样本数量，S为负样本数量。
样本库下载：
https://download.csdn.net/download/qq_24797613/10619741