在使用opencv自帶的分類器haarcascade_frontalface_alt.xml進行人臉識別的基礎認識後，決定自己訓練乙個分類器看一下效果。該過程大致可分為三個階段：樣本採集、分類器訓練和運用訓練好的分類器進行人臉檢測。
1、樣本的採集
在訓練前，我們需要進行正樣本及負樣本的採集。
負樣本採用的是weizmann團隊 **上的影象分割資料庫裡面的灰色影象，總共200幅，大小大約在300*200畫素，截圖如下所示：
影象採集完畢後，將其分別放在兩個資料夾pos_img（正樣本）和neg_img（負樣本）下。再新建乙個xml資料夾，xml資料夾存放後面訓練過程中產生的資料模型，最後opencv會將其轉換生成乙個xml檔案，也就是最終的分類器。
在命令列視窗輸入：
則在當前目錄下，產生乙個pos.vec檔案。
指令介紹：
-vec pos.vec：指定生成的檔案，最終生成的就是pos.vec；
-info pos_img\pos.txt：目標描述檔案，在pos\pos.txt；
-bg neg_img\neg.txt：背景描述檔案，在neg\neg.txt；
-w 20：輸出樣本的寬度，20；
-h 20：輸出樣本的高度，20；
-num 63：要產生的正樣本數量，63；
3、訓練模型
windows控制台進入指定目錄下，我們之前已經在目錄下放了opencv_haartraining.exe檔案，在控制台下輸入opencv_haartraining.exe可以得到各引數資訊：
然後輸入指令進行訓練：
指令介紹：
-vec pos.vec：正樣本檔名；
-bg neg_img\neg.txt：背景描述檔案；
-data xml：指定存放訓練好的分類器的路徑名，也就是前面建立的xml資料夾；
-w 20：樣本寬度，20；
-h 20：樣本高度，20；
-mem 1024：提供的以mb為單位的記憶體，很明顯，這個值越大，提供的記憶體越多，運算也越快；
-npos 45：取45個正樣本，小於總正樣本數；
-neg 180：取180個負樣本，小於總負樣本數；
-nstages 5：指定訓練層數，層數越高耗時越長；
-nsplits 5：**子節點數目, 預設值 為2；(本來設定為5 ，但訓練時一直出差錯，改為預設值後可正常訓練)。
接下來要做的就是等待訓練結束：
訓練過程引數解釋：
n：層數 %
smp：樣本的使用率
f : +表示通過翻轉，否則是-
st.thr : 分類器的閾值
hr：當前分類器 對正樣本識別正確的概率
fa：當前分類器 對負樣本識別錯誤的概率
exp.err : 分類器的期望錯誤率
訓練結束後會在根目錄下生成xml.xml檔案，在xml資料夾下生成最終的分類器：
4、測試
用自己訓練的分類器替換opencv自帶的分類器進行人臉識別：
因為訓練的樣本過少，分類器的層數也不多，分類效果並不好，還有待提高。
如何用opencv訓練自己的分類器
最近要做乙個性別識別的專案，在人臉檢測與五官定位上我採用opencv的haartraining進行定位，這裡介紹下這兩天我學習的如何用opencv訓練自己的分類器。在這兩天的學習裡，我遇到了不少問題，不過我遇到了幾個好心的大俠幫我解決了不少問題，特別是無忌，在這裡我再次感謝他的幫助。一 簡介 目標檢...
opencv學習筆記
總的來說，我們學習影象處理的就是從vs和opencv開始的。而在之前的學習中，我們使用了前人的通過或攝像頭的人臉識別 並順利執行了程式。順理成章地，接下來的階段就是將這些 給 吃透 理解並吸收，掌握其中的知識。下面就是今天對於 中幾個重要組成部分的學習心得總結。一 命名空間 using namesp...
openCV學習筆記
1 imread函式 mat imread const string filename,intflags 1 mat image0 imread dota.jpg cv load image anydepth cv load image anycolor 載入最真實的影象 ge1 imread do...