opencv haartraining 分类器

        利用opencv的haartraining训练分类器分为三个步骤：

        1.准备正负样本（正负样本的比例最好是1:3左右，这里用45个正样本，99个负样本，正样本要求统一背景包含各种不同的目标识别对象，且同一大小，也不能过大，这里用的是45*40大小的；负样本可以任意大小，但也不要过大，不能不含目标识别对象，最好用灰度图）

        2.创建样本

        3.训练分类器

        具体方法如下：

        找到opencv所在目录，bin目录下有两个.exe文件（opencv_createsamples.exe和opencv_haartraining.exe），注意较新的opencv版本的目录中没有bin文件夹，也没有这两个可执行文件，建议使用2.2或2.2之前版本。新版本中有相关的头文件，但具体使用方法还不了解。

        将正负样本分别放在两个文件夹中，例如将两个文件夹命名为posdata和negdata，并为正负样本建立描述文件。在控制台窗口（win+R后输入cmd打开控制台窗口），进入到正样本文件夹下，输入dir /b > info.txt（info.txt就是正样本的描述文件）。

修改info.txt文件，打开info.txt后删除其中的info.txt，并且将所有bmp替换成bmp 1 0 0 45 40（45，40分别为宽和高）

进入到负样本文件夹下，输入dir /b > bg.txt（bg.txt就是负样本的描述文件）。修改bg.txt文件，打开bg.txt后删除其中的bg.txt。

        控制台窗口进入到bin目录，输入opencv_createsamples.exe -info E:/vsProjects/FaceDetection/posdata/info.txt -vec a.vec -num 20 -w 45 -h 40建立20组样本。然后输入opencv_haartraining.exe  -data data -vec D:/OpenCV2.2/bin/a.vec -bg E:/vsProjects/FaceDetection/negdata/bg.txt -npos 45 -nneg 99 -nstages 4 -nsplits 2 -mem 512 -nonsym -w 45 -h 40。这样就在bin训练生成了data.xml文件，下面就用这个文件检测目标物体。代码如下：

#include "stdafx.h"
#include <opencv2/opencv.hpp>  
#include <cstdio>  
#include <cstdlib>  
#include <Windows.h>

#pragma comment(lib, "opencv_objdetect244d.lib")

using namespace std;  
int main()  
{  
    // 加载Haar特征检测分类器  
    // 训练的分类器
    const char *pstrCascadeFileName = "D:\\opencv\\data\\haarcascades\\data.xml";  
    CvHaarClassifierCascade *pHaarCascade = NULL;  
    pHaarCascade = (CvHaarClassifierCascade*)cvLoad(pstrCascadeFileName);  
  
    // 载入图像  
    const char *pstrImageName = "../cup_test.jpg";  
    IplImage *pSrcImage = cvLoadImage(pstrImageName, CV_LOAD_IMAGE_UNCHANGED);  
      
    IplImage *pGrayImage = cvCreateImage(cvGetSize(pSrcImage), IPL_DEPTH_8U, 1);  
    cvCvtColor(pSrcImage, pGrayImage, CV_BGR2GRAY);  
  
    // 识别与标记  
    if (pHaarCascade != NULL)  
    {         
        CvScalar FaceCirclecolors[] =   
        {  
            {{0, 0, 255}},  
            {{0, 128, 255}},  
            {{0, 255, 255}},  
            {{0, 255, 0}},  
            {{255, 128, 0}},  
            {{255, 255, 0}},  
            {{255, 0, 0}},  
            {{255, 0, 255}}  
        };  
  
        CvMemStorage *pcvMStorage = cvCreateMemStorage(0);  
        cvClearMemStorage(pcvMStorage);  
        // 识别  
        DWORD dwTimeBegin, dwTimeEnd;  
        dwTimeBegin = GetTickCount();  
        CvSeq *pcvSeqFaces = cvHaarDetectObjects(pGrayImage, pHaarCascade, pcvMStorage);  
        dwTimeEnd = GetTickCount();  
  
        printf("目标物体个数: %d   识别用时: %d ms\n", pcvSeqFaces->total, dwTimeEnd - dwTimeBegin);  
          
        // 标记  
        for(int i = 0; i <pcvSeqFaces->total; i++)  
        {  
            CvRect* r = (CvRect*)cvGetSeqElem(pcvSeqFaces, i);  
            CvPoint center;  
            int radius;  
            center.x = cvRound((r->x + r->width * 0.5));  
            center.y = cvRound((r->y + r->height * 0.5));  
            radius = cvRound((r->width + r->height) * 0.25);  
            cvCircle(pSrcImage, center, radius, FaceCirclecolors[i % 8], 2);  
        }  
        cvReleaseMemStorage(&pcvMStorage);  
    }  
      
    const char *pstrWindowsTitle = "物体识别";  
    cvNamedWindow(pstrWindowsTitle, CV_WINDOW_AUTOSIZE);  
    cvShowImage(pstrWindowsTitle, pSrcImage);  
  
    cvWaitKey(0);  
  
    cvDestroyWindow(pstrWindowsTitle);  
    cvReleaseImage(&pSrcImage);   
    cvReleaseImage(&pGrayImage);  
    return 0;  
}

存在的问题：haartraining对训练样本要求很严格，样本处理较为困难，目前没有找到太好方法。