0. 概述
分为如下几步：
step1. 制作训练数据集
step2. 训练分类器
step3. 使用分类器进行分类
1. 准备工作
建立一个项目目录objection_detection/
$ mkdir objection_detection/
$ cd objection_detection/
建立一个训练数据集目录train_img_set/用于存放训练图片
$ mkdir train_img_set/
下载MIT_Face数据集，并将训练图片的face/和non-face/图片集拷贝到train_img_set/中
MIT_Face下载地址： http://cbcl.mit.edu/software-datasets/FaceData2.html
制作info.dat文件和bg.txt文件：
$ cd train_img_set/
$ subl info.dat
$ subl bg.txt
info.dat文件内容如下(1 表示样本标签，0 0 18 18表示在图片0,0,宽18,长18的矩形型区域）：
face/cmu_0000.pgm 1 0 0 18 18
face/cmu_0001.pgm 1 0 0 18 18
face/cmu_0002.pgm 1 0 0 18 18
...
face/cmu_0471.pgm 1 0 0 18 18
bg.txt文件内容如下, 为了避免路径错误，建议使用绝对路径：
/Users/liuweijie/workspace/objection_detection/train_img_set/non-face/cmu_0000.pgm
/Users/liuweijie/workspace/objection_detection/train_img_set/non-face/cmu_0001.pgm
/Users/liuweijie/workspace/objection_detection/train_img_set/non-face/cmu_0002.pgm
...
/Users/liuweijie/workspace/objection_detection/train_img_set/non-face/cmu_9999.pgm
生成以上两个文件可以通过如下python脚本实现， 该脚本放置在train_img_set/目录下：
#! /usr/local/bin/python
import os
import cv2 as cv
POSTIVE_DIR = 'face/'
NEGATIVE_DIR = 'non-face/'
INFO_FILENAME = 'info.dat'
BG_FILENAME = 'bg.txt'
this_dir = os.path.abspath(os.path.dirname(__file__))
postive_url = os.path.join(this_dir, POSTIVE_DIR)
negative_url = os.path.join(this_dir, NEGATIVE_DIR)
# create info.dat
img_list = os.listdir(postive_url)
with open(os.path.join(this_dir, INFO_FILENAME), 'wb') as file:
for img_name in img_list:
img_url = os.path.join(postive_url, img_name)
img = cv.imread(img_url)
cols, rows = img.shape[:2]
file.write(POSTIVE_DIR + img_name + ' 1 0 0 %s %s\n' % (cols - 1, rows - 1))
# create bg.txt
img_list = os.listdir(negative_url)
with open(os.path.join(this_dir, BG_FILENAME), 'wb') as file:
for img_name in img_list:
file.write(negative_url + img_name + '\n')
此时准备工作完毕，项目目录结构如下
objection_detection/
└── train_img_set/
├── face/
│ ├── cmu_0000.pgm
│ ├── ...
│ └── cmu_0471.pgm
├── non-face/
│ ├── cmu_0000.pgm
│ ├── ...
│ └── cmu_9999.pgm
├── info.dat/
├── bg.txt
└── create_info_bg.py
2. 制作训练数据集
负样本图片就是bg.txt描述，不用制作。正类样本要用opencv_createsamples命令制作
它会从face/中根据info.dat的描述截取图片区域，并以*.vec二进制的形式保存正样本训练集。
这个命令的详细介绍参考如下：
http://docs.opencv.org/2.4/doc/user_guide/ug_traincascade.html
我们写成run_create_samples.sh脚本，放在train_img_set目录下:
#!/usr/bin/env sh
OUTPUT=./train_set.vec
INFO_FILE=./info.dat
BG_FILE=./bg.txt
NUM=472
WEIGHT=18
HIGHT=18
opencv_createsamples \
-vec $OUTPUT \
-info $INFO_FILE \
-bg $BG_FILE \
-num $NUM \
-show \
-w $WEIGHT \
-h $HIGHT \
执行该脚本，就会把正样本的图片训练集以二进制形式保存在train_set.vec文件中。
这一步要注意的是NUM, WEIGHT, HIGHT这三个参数，分别是生成的正样本数量，生成正样本图片的宽，高。
3. 训练分类器
首先在项目目录objection_detection/下建一个output/目录来存放训练结果。
cd ../
$ mkdir output
使用opencv_traincascade命令来进行训练，该命令的具体可查看：
http://blog.csdn.net/giantchen547792075/article/details/7404261
我们写成train_classifier.sh脚本，放在objection_detection/目录下:
#!/usr/bin/env sh
OUTPUT_FILE=./output
VEC_FILE=./train_img_set/train_set.vec
BG_FILE=./train_img_set/bg.txt
NUM_POS=47
NUM_NEG=999
NUM_STAGE=10
VAL_BUFSIZE=1024
IDX_BUFSIZE=1024
STAGE_TYPE=BOOST
FEATURE_TYPE=HAAR
# FEATURE_TYPE=LBP
WEIGHT=18
HEIGHT=18
BT=GAB
MIN_HITRATE=0.995
MAX_FALSE_ALARM_RATE=0.05
WEIGHT_TRIM_RATE=0.95
MAX_DEPTH=1
MAX_WEAK_COUNT=100
MODE=BASIC
opencv_traincascade \
-data $OUTPUT_FILE \
-vec $VEC_FILE \
-bg $BG_FILE \
-numPos $NUM_POS \
-numNeg $NUM_NEG \
-numStages $NUM_STAGE \
-precalcValBufSize $VAL_BUFSIZE \
-precalcIdxBufSize $IDX_BUFSIZE \
-stageType $STAGE_TYPE \
-featureType $FEATURE_TYPE \
-w $WEIGHT \
-h $HEIGHT \
-bt $BT \
-minHitRate $MIN_HITRATE \
-maxFalseAlarmRate $MAX_FALSE_ALARM_RATE \
-weightTrimRate $WEIGHT_TRIM_RATE \
-maxDepth $MAX_DEPTH \
-maxWeakCount $MAX_WEAK_COUNT \
-mode $MODE \
# -baseFormatSave \
注意：这里存在一个bug, 就是-baseFormatSave的话训练出来的xml格式会错误，所以暂且不加，bug报告在这：
http://code.opencv.org/issues/2387
重点关注如下参数：
-data 结果输出的位置目录;
-numPos 每一级训练时用的正样本数量
-numNeg 每一级训练时用的负样本数量
-numStages 级连的级数
-stageType 每一级用什么分类器
-featureType 每一级选用什么特征
-w 图片的宽，必须与之前一致
-h 图片的高，必须与之前一致
-bt 训练方法
-minHitRate 目标每一级的最小真阳率 真阳数/所有正样本数
-maxFalseAlarmRate 目标每一级的最大勿检率 假阳数/所有负样本数
-maxDepth 每一级的最大深度
-maxWeakCount 每一级的最大弱分类器数量
执行该脚本。
$ chmod 777 train_classifier.sh
$ ./train_classifier.sh
此时就开始训练，会看到如下内容：
PARAMETERS:
cascadeDirName: ./output
vecFileName: ./train_img_set/train_set.vec
bgFileName: ./train_img_set/bg.txt
numPos: 50
numNeg: 200
numStages: 5
precalcValBufSize[Mb] : 1024
precalcIdxBufSize[Mb] : 1024
acceptanceRatioBreakValue : -1
stageType: BOOST
featureType: HAAR
sampleWidth: 18
sampleHeight: 18
boostType: GAB
minHitRate: 0.995
maxFalseAlarmRate: 0.05
weightTrimRate: 0.95
maxDepth: 1
maxWeakCount: 100
mode: BASIC
===== TRAINING 0-stage =====
<BEGIN
POS count : consumed 50 : 50
NEG count : acceptanceRatio 200 : 1
Precalculation time: 0
+----+---------+---------+
| N | HR | FA |
+----+---------+---------+
| 1| 1| 1|
+----+---------+---------+
| 2| 1| 0.31|
+----+---------+---------+
| 3| 1| 0.31|
+----+---------+---------+
| 4| 1| 0.095|
+----+---------+---------+
| 5| 1| 0.055|
+----+---------+---------+
| 6| 1| 0.055|
+----+---------+---------+
| 7| 1| 0.01|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 2 seconds.
===== TRAINING 1-stage =====
...
...
===== TRAINING 4-stage =====
<BEGIN
POS count : consumed 50 : 50
NEG count : acceptanceRatio 200 : 0.000419196
Precalculation time: 0
+----+---------+---------+
| N | HR | FA |
+----+---------+---------+
| 1| 1| 1|
+----+---------+---------+
| 2| 1| 1|
+----+---------+---------+
| 3| 1| 0.35|
+----+---------+---------+
| 4| 1| 0.35|
+----+---------+---------+
| 5| 1| 0.055|
+----+---------+---------+
| 6| 1| 0.04|
+----+---------+---------+
END>
Training until now has taken 0 days 0 hours 0 minutes 34 seconds.
此时在output/目录下会得到cascade.xml文件和一些其他中间过程的文件。cascade.xml就是训练好的级连分类器，其他中间过程文件可以删了。
3. 使用分类器进行分类
在项目目录下创建一个test_img_set目录，里面放一些测试图片。
在项目目录下创建test_classifier.py脚本来使用分类器：
'''
Test the classifier
'''
import numpy as np
import cv2
face_cascade = cv2.CascadeClassifier('./output/cascade.xml')
img = cv2.imread('./test_img_set/big_masters.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for (x, y, w, h) in faces:
cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
也可以去opencv官方库下载一些训练好的xml文件来，会比自己的效果好很多。
整个项目最终的文件目录结构如下
You can download the project from here:
参考
http://www.cnblogs.com/tornadomeet/archive/2012/03/28/2420936.html