opencv学习笔记——自己训练人脸识别分类器

       在使用opencv自带的分类器haarcascade_frontalface_alt.xml进行人脸识别的基础认识后，决定自己训练一个分类器看一下效果。该过程大致可分为三个阶段：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。

1、样本的采集

       在训练前，我们需要进行正样本及负样本的采集。

       正样本采用的是ORL人脸数据库中的部分图像，本次共选用63张图像，初始图像大小为92*112，但在训练时出现了内存不足的问题，因此将其尺寸归一化为20*20。部分截图如下：

       负样本采用的是weizmann团队http://www.wisdom.weizmann.ac.il/~vision/Seg_Evaluation_DB/dl.html 网站上的图像分割数据库里面的灰色图像，总共200幅图片，大小大约在300*200像素，截图如下所示：

       图像采集完毕后，将其分别放在两个文件夹pos_img（正样本）和neg_img（负样本）下。再新建一个xml文件夹，xml文件夹存放后面训练过程中产生的数据模型，最后opencv会将其转换生成一个xml文件，也就是最终的分类器。

       然后，从OpenCv安装目录中查找出如下两个exe可执行文件：

opencv_createsamples.exe：用于创建样本描述文件，后缀名是.vec。专门为OpenCV训练准备，只有正样本需要，负样本不需要。 

opencv_haartraining.exe：是OpenCV自带的一个工具，封装了haar特征提取以及adaboost分类器训练过程。 

       一般来说，正负样本数目比例为1：3时训练结果较好，但是不是绝对。由于每个样本的差异性不同等因素，所以没有绝对的比例关系。但是负样本需要比正样本多，因为原则上说负样本的多样性越大越好，我们才能有效降低误检率，而不仅仅是通过正样本的训练让其能识别物体。在本次训练中，我选择了63个正样本和200个负样本，均为灰度