用haar特征训练自己的分类器

OpenCV给我们提供了很多训练分类器的方法和程序。对于人脸检测的分类器训练叫做海尔训练，我们可以用这些方法创建我们自己的分类器。

（一）数据准备：

• 正样本（人脸）
          我们需要收集只含有脸部的图像。The UMIST Face Database 有着类似Video般的连续脸部图像，不论是正脸的还是侧脸的。我以为训练这些图像能生成一个面部表情鲁棒性很好的脸部检测器。然而我想得太过美好了，事实上效果一般。后来我又用了基于CMU PIE Database的正面脸部数据库，它包含了许多不同光照条件的图像，可是效果与前面类似，都不理想。MIT CBCL Face Data是另一种选择，它囊括了2429张正脸图像，其中也有一些不同的表情与光强。原本是很适合海尔训练的，然而该库的图像原始大小只有19*19，这样，我们就无法进行检测更好尺寸的人脸的实验。
          OpenCV的开发者有可能使用了FERET数据库。
• 负样本（背景）
          我们同样需要收集一些我们不感兴趣的对象（也就是不含有人脸的图像）来生成海尔练级分类器。
• 测试自然状态的图像（人脸在背景中）
          我们可以利用createsamples utility来综合测试图像集，不过有个专门的测试自然状态的图像集合就更好了。
          OpenCV的开发者使用了CMU-MIT Frontal Face Test Set去进行他们关于这类图像的实验。这个集合有个有关范围的描述，涵盖了眼睛、鼻子和嘴唇的中心及两端的方位信息，然而并没有由矩形区域来表示的人脸定位。
          但是，比如人脸区域的矩形可以由以下方法计算得出：
          以鼻子的高度作为矩形的上沿，以嘴巴的高度作为矩形的下沿，以嘴巴的左端作为矩形的左边缘，以嘴巴的右端作为矩形的右边缘。
          虽然此法不够完美，不过看起来还算可行。
• 如何手动快速生成图像
          我使用的软件是imageclipper，这个软件不仅对海尔训练有帮助，而且也可应用于计算机视觉和机器学习研究等领域。它有如下特点：
          自动打开同一目录下的图像序列；以帧为单位打开视频文件；通过某快捷键方便剪切图像并跳至下一幅图像；直接用鼠标左键选定并剪切图像中的区域；通过鼠标右键移动或重置图像区域；所选定的区域也可显示在下一幅图中。

1.海尔训练
现在，我们使用haartraining.exe来训练我们自己的分类器。训练语句如下：

Usage: ./haartraining   -data <dir_name>   -vec <vec_file_name>   -bg <background_file_name>   [-npos <number_of_positive_samples = 2000>]   [-nneg <number_of_negative_samples = 2000>]   [-nstages <number_of_stages = 14>]   [-nsplits <number_of_splits = 1>]   [-mem <memory_in_MB = 200>]   [-sym (default)] [-nonsym]   [-minhitrate <min_hit_rate = 0.995000>]   [-maxfalsealarm <max_false_alarm_rate = 0.500000>]   [-weighttrimming <weight_trimming = 0.950000>]   [-eqw]   [-mode <BASIC (default) | CORE | ALL>]   [-w <sample_width = 24>]   [-h <sample_height = 24>]   [-bt <DAB | RAB | LB | GAB (default)>]   [-err <misclass (default) | gini | entropy>]   [-maxtreesplits <max_number_of_splits_in_tree_cascade = 0>]   [-minpos <min_number_of_positive_samples_per_cluster = 500>]

Kuranov et. al. 指出，20*20的样本识别的正确率最高。另外，对于18*18的尺寸，四分裂节点表现最好。而对于20*20的样本，两节点显然更好。分裂节点数分别是2、3或4的弱树分类器间的差小于它们的中间节点。
此外，关于20阶训练有个说法。假设我的测试集合代表了学习任务，我可以期望一个报错率是0.5^20≈9.6e-07，识对率是0.999^20≈0.98。
所以，使用20*20的样本大小，并且Nsplit=2, Nstages=20, MINhitrate=0.9999(default: 0.995), MAXfalsealarm=0.5(default: 0.5), weighttrimming=0.95(default: 0.95)是比较优的组合。

$ haartraining -data haarcascade -vec samples.vec -bg negatives.dat -nstages 20 -nsplits 2 -minhitrate 0.999 -maxfalsealarm 0.5 -npos 7000 -nneg 3019 -w 20 -h 20 -nonsym -mem 512 -mode ALL

"-nonsym"选项用于没有垂直（左-右）对称的对象类。如果对象类是垂直对称的，例如正脸，则用"-sym (default)"。这样会增大运算速度，因为类海尔特征只有一半投入使用。
"-mode ALL"使用了类海尔特征的扩展集。默认只使用竖直特征，ALL除了能使用竖直特征，还能使用转角为45°的特征集合。
"-mem 512"是以MB为单位的预计算可使用的内存大小。默认是200MB。
另外还有一些选项没有用到：

[-bt <DAB | RAB | LB | GAB (default)>] [-err <misclass (default) | gini | entropy>] [-maxtreesplits <max_number_of_splits_in_tree_cascade = 0>] [-minpos <min_number_of_positive_samples_per_cluster = 500>]

#你可以使用OpenMP(multi-processing).
#一次训练持续三天。

2.生成XML文件
当海尔训练过程完全结束，它将会生成一个xml文件。
如果你想要将一个中级海尔训练输出目录树转化为一个xml文件，在目录OpenCV/samples/c/convert_cascade.c下有个程序可供使用。
输入的格式为：

$ convert_cascade --size="<sample_width>x<sampe_height>" <haartraining_ouput_dir> <ouput_file>

举例：

$ convert_cascade --size="20x20" haarcascade haarcascade.xml