使用opencv的Haar训练自己的人脸分类器

opencv_createsamples.exe-info  posdata.txt-vec pos.vec -num 17 -w 20 -h 20

-info，指样本说明文件

-vec，样本描述文件的名字及路径

-num，总共几个样本，要注意，这里的样本数是指标定后的20x20的样本数，而不是大图的数目，其实就是样本说明文件第2列的所有数字累加

-w-h指明想让样本缩放到什么尺寸。这里的奥妙在于你不必另外去处理第1步中被矩形框出的图片的尺寸，因为这个参数帮你统一缩放！(我们这里准备的样本都是20*20)

opcnv_haartraining.exe–data xml –vec pos.vec –bg negdata.txt –nsplits 1 –sym –w24 –h 24 –mode all –mem 1280

-data:           指定生成的文件目录(将来存放各级分类的地方)

-vec：           样本描述文件
-bg              负样本描述文件名称，就是负样本的路径列表
-nstage 20       指定训练层数，推荐15~20，层数越高，耗时越长。
-nsplits         分裂子节点数目,选取默认值 2 ， 1表示使用简单的stump classfier分类
-minhitrate      最小命中率，即训练目标准确度。
-maxfalsealarm   最大虚警(误检率)，每一层训练到这个值小于0.5时训练结束，进入下一层训练
-npos            在每个阶段用来训练的正样本数目
-nneg            在每个阶段用来训练的负样本数目
-mode：          all指定haar特征的种类，basic仅仅使用垂直特征,all表示使用垂直以及45度旋转特征
-sym或者-nonsym：后面不用跟其他参数，用于指定目标对象是否垂直对称，若你的对象是垂直对称的，比如脸，则垂直对称有利于提高训练速度

-mem：           表示允许使用计算机的1280M内存

intcascade()

{

char*haartraining_ouput_dir =”G://图片数据//人脸//face//xml”; //根据实际情况修改

char*ouput_file =”G://图片数据//人脸//face//xml//haar_adaboost.xml”;//根据实际情况修改

constchar*size_opt = ”–size=”;

charcomment[1024];

CvHaarClassifierCascade*cascade = 0;

CvSizesize;

size.width= 20; //根据实际情况修改

size.height= 20; //根据实际情况修改

cascade= cvLoadHaarClassifierCascade(haartraining_ouput_dir,size);

if(!cascade ){

fprintf(stderr,”Inputcascade could not be found/opened\n”);

return-1;

}

sprintf(comment, ”Automaticallyconverted from %s, window size = %dx%d”,ouput_file, size.width, size.height );

cvSave(ouput_file, cascade, 0, comment, cvAttrList(0,0) );

return0;

}

inthaarDection()

{

Matimage;

CascadeClassifiercascade, nestedCascade;//创建级联分类器对象

doublescale = 1.3;

// image = imread(“obama_gray.bmp”,1);

image= imread(”D://haarcascade_frontalface_alt.jpg”,1);

namedWindow(”result”,1 );//opencv2.0以后用namedWindow函数会自动销毁窗口

if(!cascade.load( cascadeName ) )//从指定的文件目录中加载级联分类器

{

cerr<< ”ERROR:Could not load classifier cascade”<< endl;

return0;

}

if(!image.empty() )//读取图片数据不能为空

{

detectAndDraw(image, cascade, scale );

IplImageqImg;

qImg= IplImage(image);

cvSaveImage(”D://aaa.jpg”,&qImg);

waitKey(0);

}

return0;

}

voiddetectAndDraw( Mat&img,

CascadeClassifier&cascade,

doublescale)

{

inti = 0;

doublet = 0;

vector<Rect>faces;

conststaticScalarcolors[] = { CV_RGB(0,0,255),

CV_RGB(0,128,255),

CV_RGB(0,255,255),

CV_RGB(0,255,0),

CV_RGB(255,128,0),

CV_RGB(255,255,0),

CV_RGB(255,0,0),

CV_RGB(255,0,255)};//用不同的颜色表示不同的人脸

Matgray, smallImg( cvRound (img.rows/scale),cvRound(img.cols/scale),CV_8UC1);//将图片缩小，加快检测速度

cvtColor(img,gray, CV_BGR2GRAY);//因为用的是类haar特征，所以都是基于灰度图像的，这里要转换成灰度图像

resize(gray, smallImg, smallImg.size(), 0, 0, INTER_LINEAR);//将尺寸缩小到1/scale,用线性插值

equalizeHist(smallImg, smallImg );//直方图均衡

t= (double)cvGetTickCount();//用来计算算法执行时间

//检测人脸

//detectMultiScale函数中smallImg表示的是要检测的输入图像为smallImg，faces表示检测到的人脸目标序列，1.1表示

//每次图像尺寸减小的比例为1.1，2表示每一个候选矩形需要记录2个邻居,CV_HAAR_SCALE_IMAGE表示使用haar特征，Size(30,30)

//为目标的最小最大尺寸

cascade.detectMultiScale(smallImg, faces,

1.1,2, 0

//|CV_HAAR_FIND_BIGGEST_OBJECT

//|CV_HAAR_DO_ROUGH_SEARCH

|CV_HAAR_SCALE_IMAGE

,

Size(30,30) );

t= (double)cvGetTickCount()- t;//相减为算法执行的时间

printf(”detectiontime = %g ms\n”,t/((double)cvGetTickFrequency()*1000.));

/*

for(vector<Rect>::const_iterator r = faces.begin(); r !=faces.end(); r++, i++ )

{

MatsmallImgROI;

vector<Rect>nestedObjects;

Pointcenter;

Scalarcolor = colors[i%8];

intradius;

center.x= cvRound((r->x + r->width*0.5)*scale);//还原成原来的大小

center.y= cvRound((r->y + r->height*0.5)*scale);

radius= cvRound((r->width + r->height)*0.25*scale);

circle(img, center, radius, color, 3, 8, 0 );

smallImgROI= smallImg(*r);

}*/

cv::imshow(”result”,img);

}