經過多時的摸索，終於實現分類器的訓練。不敢保證每次都成功，但有一次實現，就可以把該注意的記錄下來
分類器的訓練分三步進行：
第一步：收集材料
正負樣本材料的收集，本人是在灰度圖下進行實驗的。正樣本的大小最好一致，負樣本的大小沒有要求，只要內沒有目標就行。
1.正樣本描述檔案
正樣本放在單獨的資料夾下，並建立描述檔案，描述檔案格式為txt，每行的描述形式為
-----建立vec格式的描述檔案，直接上doc命令下的指令：
createsamples.exe為opencv自帶的檔案，放在同一目錄下；32為正樣本寬高；10為樣本的個數（實際上式正樣本越多越好，且要求盡量多樣化）。執行後就生成後面訓練分類器用到的.vec檔案。
2.負樣本描述檔案
負樣本的描述檔案比較簡單，和描述正樣本的txt檔案差不多，也是建立乙個txt檔案，就是少了目標個數個矩形框寬高的描述：
第二步：訓練弱分類器
弱分類器的訓練用到上面的負樣本描述檔案及資料夾，以及vec格式的正樣本描述檔案，還有就是opencv自帶的haartraining.exe。
doc命令視窗下的命令：
注意：data為新建的放置弱分類器的資料夾，-npos 、-nneg的數量要與前面描述檔案的數量相同，-w -h的大小要與正樣本的大小相一致；-nstages為弱分類器的等級。
執行之後就會在data資料夾下生成多個弱分類器，用在第三步的強分類器的訓練。
第三部：強分類器的訓練
用到的材料：第二步生成的data資料夾，以及opencv自帶的haarconv.exe，還有幾個dll檔案
和上面兩部一樣，在doc下的命令：
執行後最後是生成face.xml強分類器。
以上三步是在鄙人電腦上執行成功的，換到其他的電腦上不知效果如果，僅此作為備忘！
分類器之adaboost
分類中通常使用將多個弱分類器組合成強分類器進行分類的方法，統稱為整合分類方法 ensemble method 比較簡單的如在boosting之前出現bagging的方法，首先從從總體樣本集合中抽樣採取不同的訓練集訓練弱分類器，然後使用多個弱分類器進行voting，終於的結果是分類器投票的優勝結果。這...
AdaBoost演算法 弱分類器訓練過程
def loadsimpdata 樣本特徵 datmat matrix 1.2.1,0.3 2.1.1,0.4 1.3,1.1.2 1.1.1.1 2.1.1.3 7.2.0.35 正負樣本標誌 classlabels 1.0,1.0,1.0,1.0,1.0,1.0 return datmat,cl...
AdaBoost演算法 強分類器訓練過程
初始化權重 負樣本權重w0i 1 2m，正樣本權重w1i 1 2l，其中m為負樣本總數，l為正樣本總數 對於t 1,t t為訓練次數 權重歸一化，簡單說就是使本輪所有樣本的權重的和為1 根據每乙個特徵訓練簡單分類器，僅使用乙個特徵 從所有簡單分類器中選出乙個分錯率最低的分類器，為弱分類器 更新權重 ...