上一篇文章中介紹了如何使用OpenCV自帶的haar分類器進行人臉識別（點我打開）。
這次我試著自己去訓練一個haar分類器，前后花了兩天，最后總算是訓練完了。不過效果并不是特別理想，由于我是在自己的筆記本上進行訓練，為減少訓練時間我的樣本量不是很大，最后也只是勉強看看效果了。網上有關的資料和博客可以說很多了，只要耐心點總是能成功的。

采集樣本：

首先要訓練，就得有訓練集。網上有很多國外高校開源的庫可供下載：
1、卡耐基梅隆大學圖像數據庫（點我打開）
2、MIT人臉數據庫（點我打開）
3、ORL人臉數據庫（點我打開）
由于是國外的網站，可能需要翻墻，所以下載可能會有些麻煩。這里給出了我在網上收集的訓練集，正樣本為20*20的人臉圖片，負樣本為50*50的背景圖片。樣本集下載地址：http://download.csdn.net/detail/hongbin_xu/9887672。

準備工作：

在指定目錄中放入以下所提到的文件夾及文件。
將正樣本放在pos文件夾中，負樣本放在neg文件夾中，xml文件夾存放后面訓練過程中產生的數據模型，最后opencv會將其轉換生成一個xml文件，也就是最終的分類器。

從OpenCv安裝目錄中查找出如下兩個exe可執行文件。

opencv_createsamples.exe：用于創建樣本描述文件，后綴名是.vec。專門為OpenCV訓練準備，只有正樣本需要，負樣本不需要。
opencv_haartraining.exe：是OpenCV自帶的一個工具，封裝了haar特征提取以及adaboost分類器訓練過程。
一般來說，正負樣本數目比例在1：3的時候訓練結果比較好，但是不是絕對。由于每個樣本的差異性不同等因素，所以沒有絕對的比例關系。但是負樣本需要比正樣本多，因為原則上說負樣本的多樣性越大越好，我們才能有效降低誤檢率，而不僅僅是通過正樣本的訓練讓其能識別物體。為了節約時間，我選了1500個正樣本和4500個負樣本。

獲取樣本路徑列表：

打開Windows下的命令行窗口，進入指定目錄下。

1、建立正樣本的描述文件：
首先進入pos文件夾中，輸入：

dir /b > pos.txt

在當前pos目錄下生成一個pos.txt記錄所有圖片的名稱。

打開記事本，去除pos.txt最后一行的pos文件夾；
將所有jpg替換成 jpg 1 0 0 20 20。這里1表示當前圖片重復出現的次數是1， 0 0 20 20表示目標圖片大小是矩形框從（0，0）到（20，20）。

2、建立負樣本的描述文件：
接下來重新進入neg文件夾，輸入：

dir /b > neg.txt

之后，生成neg.txt文件，這里負樣本不做其他修改。

3、使用opencv_createsamples.exe建立訓練需要的參數列表：
Windows控制臺進入指定目錄下，我們之前已經在目錄下放了opencv_createsamples.exe文件，在控制臺下輸入opencv_createsamples.exe可以得到各參數信息：

在當前目錄下輸入如下指令：

opencv_createsamples.exe -vec pos.vec -info pos\pos.txt -bg neg\neg.txt -w 20 -h 20 -num 1500 ；

當前目錄下，產生了pos.vec文件。

簡要介紹指令：

-vec pos.vec：指定生成的文件，最終生成的就是pos.vec；
-info pos\pos.txt：目標圖片描述文件，在pos\pos.txt；
-bg neg\neg.txt：背景圖片描述文件，在neg\neg.txt；
-w 20：輸出樣本的寬度，20；
-h 20：輸出樣本的高度，20；
-num 1500：要產生的正樣本數量，1500；

訓練模型：

Windows控制臺進入指定目錄下，我們之前已經在目錄下放了opencv_haartraining.exe文件，在控制臺下輸入opencv_haartraining.exe可以得到各參數信息：

輸入如下指令進行訓練：

opencv_haartraining.exe -vec pos.vec -bg neg\neg.txt -data xml -w 20 -h 20 -mem 1024 -npos 1000 -neg 3000 -nstages 2 -nsplits 5

簡要介紹指令：

-vec pos.vec：正樣本文件名；
-bg neg\neg.txt：背景描述文件；
-data xml：指定存放訓練好的分類器的路徑名，也就是前面建立的xml文件夾；
-w 20：樣本圖片寬度，20；
-h 20：樣本圖片高度，20；
-mem 1024：提供的以MB為單位的內存，很明顯，這個值越大，提供的內存越多，運算也越快；
-npos 1000：取1000個正樣本，小于總正樣本數；
-neg 3000：取3000個負樣本，小于總負樣本數；
-nstages 2：指定訓練層數，層數越高耗時越長；
-nsplits 5：分裂子節點數目, 默認值 為2；

其他參數：

-minhitrate：最小命中率，即訓練目標準確度；
-maxfalsealarm：最大虛警(誤檢率)，每一層訓練到這個值小于0.5時訓練結束，進入下一層訓練；
-sym或者-nonsym：臉是否垂直對稱，若是，則選前者，且可以加快訓練速度。

輸入指令之后就是等待了，最后可以看到結果如下：

這里我的層數太少了，導致訓練結果不是很好，一般要增加到15~20層才能有較好的效果。

中間可能遇到的問題：

可能在訓練的過程中，過了很長時間但是卻一直停留在某一層不動，上網查找解決辦法如下：增大負樣本數目，增大負樣本之間的變化! 增加負樣本，然后重新接著訓練，注意更改負樣本的數目。
詳細說明可以查看：http://blog.csdn.net/jimeshui/article/details/42039615

參考鏈接：
1.http://blog.csdn.net/yangleo1987/article/details/52883864
2.http://blog.csdn.net/u014365862/article/details/52997019

總結

以上是生活随笔為你收集整理的OpenCV学习记录（二）：自己训练haar特征的adaboost分类器进行人脸识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。