adaboost算法分类器的训练

经过多时的摸索，终于实现分类器的训练。不敢保证每次都成功，但有一次实现，就可以把该注意的记录下来

分类器的训练分三步进行：

第一步：收集材料

正负样本材料的收集，本人是在灰度图下进行实验的。正样本的大小最好一致，负样本的大小没有要求，只要图片内没有目标就行。

1.正样本描述文件

正样本放在单独的文件夹下，并建立描述文件，描述文件格式为txt，每行的描述形式为

./face是和描述文件在同一路径下的正样本文件夹，后面分别问样本图片名、目标格式、坐上标坐标、宽、高。

-----建立vec格式的描述文件，直接上doc命令下的指令：

       createsamples.exe为opencv自带的文件，放在同一目录下；32为正样本图片宽高；10为样本的个数（实际上式正样本越多越好，且要求尽量多样化）。运行后就生成后面训练分类器用到的.vec文件。

2.负样本描述文件

负样本的描述文件比较简单，和描述正样本的txt文件差不多，也是建立一个txt文件，就是少了目标个数个矩形框宽高的描述：

第二步：训练弱分类器

弱分类器的训练用到上面的负样本描述文件及图片文件夹，以及vec格式的正样本描述文件，还有就是opencv自带的haartraining.exe。

doc命令窗口下的命令：

注意：data为新建的放置弱分类器的文件夹，-npos 、-nneg的数量要与前面描述文件的数量相同，-w -h的大小要与正样本的大小相一致；-nstages为弱分类器的等级。

运行之后就会在data文件夹下生成多个弱分类器，用在第三步的强分类器的训练。

第三部：强分类器的训练

用到的材料：第二步生成的data文件夹，以及opencv自带的haarconv.exe，还有几个DLL文件

和上面两部一样，在doc下的命令：

运行后最后是生成face.xml强分类器。

以上三步是在鄙人电脑上运行成功的，换到其他的电脑上不知效果如果，仅此作为备忘！