這是opencv訓(xùn)練自己的人臉檢測(cè)分類器樣本下載，最近要做一個(gè)性別識(shí)別的項(xiàng)目，在人臉檢測(cè)與五官定位上我采用OPENCV的haartraining進(jìn)行定位，這里介紹下這兩天我學(xué)習(xí)的如何用opencv訓(xùn)練自己的分類器。在這兩天的學(xué)習(xí)里，我遇到了不少問(wèn)題，不過(guò)我遇到了幾個(gè)好心的大俠幫我解決了不少問(wèn)題，特別是無(wú)忌，在這里我再次感謝他的幫助。Aen紅軟基地

軟件介紹

opencv訓(xùn)練自己的人臉檢測(cè)分類器樣本是目標(biāo)檢測(cè)方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]對(duì)這一方法進(jìn)行了改善。該方法的基本步驟為： 首先，利用樣本（大約幾百幅樣本圖片）的 harr 特征進(jìn)行分類器訓(xùn)練，得到一個(gè)級(jí)聯(lián)的boosted分類器。Aen紅軟基地
分類器中的"級(jí)聯(lián)"是指最終的分類器是由幾個(gè)簡(jiǎn)單分類器級(jí)聯(lián)組成。在圖像檢測(cè)中，被檢窗口依次通過(guò)每一級(jí)分類器， 這樣在前面幾層的檢測(cè)中大部分的候選區(qū)域就被排除了，全部通過(guò)每一級(jí)分類器檢測(cè)的區(qū)域即為目標(biāo)區(qū)域。Aen紅軟基地
分類器訓(xùn)練完以后，就可以應(yīng)用于輸入圖像中的感興趣區(qū)域的檢測(cè)。檢測(cè)到目標(biāo)區(qū)域分類器輸出為1，否則輸出為0。為了檢測(cè)整副圖像，可以在圖像中移動(dòng)搜索窗口，檢測(cè)每一個(gè)位置來(lái)確定可能的目標(biāo)。 為了搜索不同大小的目標(biāo)物體，分類器被設(shè)計(jì)為可以進(jìn)行尺寸改變，這樣比改變待檢圖像的尺寸大小更為有效。所以，為了在圖像中檢測(cè)未知大小的目標(biāo)物體，掃描程序通常需要用不同比例大小的搜索窗口對(duì)圖片進(jìn)行幾次掃描。Aen紅軟基地
目前支持這種分類器的boosting技術(shù)有四種： Discrete Adaboost， Real Adaboost， Gentle Adaboost and Logitboost。Aen紅軟基地
"boosted" 即指級(jí)聯(lián)分類器的每一層都可以從中選取一個(gè)boosting算法(權(quán)重投票)，并利用基礎(chǔ)分類器的自我訓(xùn)練得到。Aen紅軟基地

軟件步驟

1、 樣本的創(chuàng)建Aen紅軟基地
2、 訓(xùn)練分類器Aen紅軟基地
3、 利用訓(xùn)練好的分類器進(jìn)行目標(biāo)檢測(cè)。Aen紅軟基地

相關(guān)介紹

opencv訓(xùn)練自己的人臉檢測(cè)分類器樣本在opencv中有兩個(gè)類型的分類器：opencv_haartraining和opencv_traincascade，后者是2.x版本中基于C++寫的新版本的分類器。二者最主要的區(qū)別是opencv_traincascade支持Haar和LBP。LBP在訓(xùn)練和檢測(cè)方面要比Haar特征快數(shù)倍。Haar和LBP的檢測(cè)質(zhì)量取決于要訓(xùn)練的數(shù)據(jù)和訓(xùn)練的參數(shù)設(shè)置。 Aen紅軟基地
opencv_traincascade與opencv_haartraining以不同的文件類型存儲(chǔ)訓(xùn)練分類器。新的cascade檢測(cè)接口支持者兩種格式。opencv_traincascade可以保存（輸出）舊格式的級(jí)聯(lián)器，但是opencv_traincascade和opencv_haartraining不能在訓(xùn)練中斷后加載另一種格式的分類器。 Aen紅軟基地
需要注意的是opencv_traincascade可使TBB用于多線程，而使用多核心的opencv一定是基于TBB。Aen紅軟基地

軟件截圖

Aen紅軟基地