Question

如何用OpenCV自带的adaboost程序训练并检测目标

Answer 1

　　转自：http://hi.baidu.com/andyzcj/blog/item/3b9575fc63c3201f09244d9a.html

　　可能遇到的问题：

　　1.如果跑到某一个分类器时，几个小时也没有反应，而且显示不出训练百分比，这是因为你的负样本数量太少，或者负样本的尺寸太小，所有的负样本在这个分类器都被reject了，程序进入不了下一个循环，果断放弃吧。解决方法：负样本尽量要大一些，比如我的正样本是40*15，共300个,负样本是640*480，共500个。

　　2.读取样本时报错：Negative or too large argument of CvAlloc function，网上说这个错误是因为opencv规定单幅iplimage的内存分配不能超过10000，可是我的每个负样本都不会超过这个大小，具体原因不明。后来我把负样本的数量减少，尺寸加大，这个问题就解决了。

　　

　　最近要做一个性别识别的项目，在人脸检测与五官定位上我采用OPENCV的haartraining进行定位，这里介绍下这两天我学习的如何用opencv训练自己的分类器。在这两天的学习里，我遇到了不少问题，不过我遇到了几个好心的大侠帮我解决了不少问题，特别是无忌，在这里我再次感谢他的帮助。

　　一、简介
　　目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。该方法的基本步骤为： 首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。
　　分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。
　　分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。
　　目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。
　　"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。
　　根据上面的分析，目标检测分为三个步骤：
　　1、 样本的创建
　　2、 训练分类器
　　3、 利用训练好的分类器进行目标检测。
　　二、样本创建
　　训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片。
　　负样本
　　负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下：

　　采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:\face\posdata下，则：

　　按Ctrl+R打开Windows运行程序，输入cmd打开DOS命令窗口，输入d:回车，再输入cd D:\face\negdata进入图片路径，再次输入dir /b > negdata.dat，则会图片路径下生成一个negdata.dat文件，打开该文件将最后一行的negdata.dat删除，这样就生成了负样本描述文件。dos命令窗口结果如下图：

　　正样本

　　对于正样本，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小），如下图所示：

　　由于HaarTraining训练时输入的正样本是vec文件，所以需要使用OpenCV自带的CreateSamples程序（在你所按照的opencv\bin下，如果没有需要编译opencv\apps\HaarTraining\make下的.dsw文件，注意要编译release版的）将准备好的正样本转换为vec文件。转换的步骤如下：

　　1) 制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在图片中的位置和大小。典型的正样本描述文件如下：

　　posdata/1(10).bmp 1 1 1 23 23
　　posdata/1(11).bmp 1 1 1 23 23
　　posdata/1(12).bmp 1 1 1 23 23

　　不过你可以把描述文件放在你的posdata路径（即正样本路径）下，这样你就不需要加前面的相对路径了。同样它的生成方式可以用负样本描述文件的生成方法，最后用txt的替换工具将“bmp”全部替换成“bmp 1 1 1 23 23
　　”就可以了，如果你的样本图片多，用txt替换会导致程序未响应，你可以将内容拷到word下替换，然后再拷回来。bmp后面那五个数字分别表示图片个数，目标的起始位置及其宽高。这样就生成了正样本描述文件posdata.dat。

　　2) 运行CreateSamples程序。如果直接在VC环境下运行，可以在Project\Settings\Debug属性页的Program arguments栏设置运行参数。下面是一个运行参数示例：
　　-info D:\face\posdata\posdata.dat -vec D:\face\pos.vec -num 50 -w 20 -h 20
　　表示有50个样本，样本宽20，高20，正样本描述文件为posdata.dat，结果输出到pos.vec。

　　或者在dos下输入：

　　"D:\Program Files\OpenCV\bin\createsamples.exe" -info "posdata\posdata.dat" -vec data\pos.vec -num 50 -w 20 -h 20
　　运行完了会d:\face\data下生成一个*.vec的文件。该文件包含正样本数目，宽高以及所有样本图像数据。结果入下图：

　　Createsamples程序的命令行参数：
　　命令行参数：
　　－vec <vec_file_name>
　　训练好的正样本的输出文件名。
　　－img<image_file_name>
　　源目标图片（例如：一个公司图标）
　　－bg<background_file_name>
　　背景描述文件。
　　－num<number_of_samples>
　　要产生的正样本的数量，和正样本图片数目相同。
　　－bgcolor<background_color>
　　背景色（假定当前图片为灰度图）。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh和bgcolor＋bgthresh中间的像素被认为是透明的。
　　－bgthresh<background_color_threshold>
　　－inv
　　如果指定，颜色会反色
　　－randinv
　　如果指定，颜色会任意反色
　　－maxidev<max_intensity_deviation>
　　背景色最大的偏离度。
　　－maxangel<max_x_rotation_angle>
　　－maxangle<max_y_rotation_angle>，
　　－maxzangle<max_x_rotation_angle>
　　最大旋转角度，以弧度为单位。
　　－show
　　如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而创建过程继续。这是个有用的debug选项。
　　－w<sample_width>
　　输出样本的宽度（以像素为单位）
　　－h《sample_height》
　　输出样本的高度，以像素为单位。
　　到此第一步样本训练就完成了。恭喜你，你已经学会训练分类器的五成功力了，我自己学这个的时候花了我一天的时间，估计你几分钟就学会了吧。
　　三、训练分类器
　　样本创建之后，接下来要训练分类器，这个过程是由haartraining程序来实现的。该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。
　　Haartraining的命令行参数如下：
　　－data<dir_name>
　　存放训练好的分类器的路径名。
　　－vec<vec_file_name>
　　正样本文件名（由trainingssamples程序或者由其他的方法创建的）
　　－bg<background_file_name>
　　背景描述文件。
　　－npos<number_of_positive_samples>，
　　－nneg<number_of_negative_samples>
　　用来训练每一个分类器阶段的正/负样本。合理的值是：nPos = 7000;nNeg = 3000
　　－nstages<number_of_stages>
　　训练的阶段数。
　　－nsplits<number_of_splits>
　　决定用于阶段分类器的弱分类器。如果1，则一个简单的stump classifier被使用。如果是2或者更多，则带有number_of_splits个内部节点的CART分类器被使用。
　　－mem<memory_in_MB>
　　预先计算的以MB为单位的可用内存。内存越大则训练的速度越快。
　　－sym（default）
　　－nonsym
　　指定训练的目标对象是否垂直对称。垂直对称提高目标的训练速度。例如，正面部是垂直对称的。
　　－minhitrate《min_hit_rate》
　　每个阶段分类器需要的最小的命中率。总的命中率为min_hit_rate的number_of_stages次方。
　　－maxfalsealarm<max_false_alarm_rate>
　　没有阶段分类器的最大错误报警率。总的错误警告率为max_false_alarm_rate的number_of_stages次方。
　　－weighttrimming<weight_trimming>
　　指定是否使用权修正和使用多大的权修正。一个基本的选择是0.9
　　－eqw
　　－mode<basic(default)|core|all>
　　选择用来训练的haar特征集的种类。basic仅仅使用垂直特征。all使用垂直和45度角旋转特征。
　　－w《sample_width》
　　－h《sample_height》
　　训练样本的尺寸，（以像素为单位）。必须和训练样本创建的尺寸相同。
　　一个训练分类器的例子：
　　"D:\Program Files\OpenCV\bin\haartraining.exe" -data data\cascade -vec data\pos.vec -bg negdata\negdata.dat -npos 49 -nneg 49 -mem 200 -mode ALL -w 20 -h 20

　　训练结束后，会在目录data下生成一些子目录，即为训练好的分类器。

　　训练结果如下：

　　

　　恭喜你，你已经学会训练分类器的九成功力了。

　　四：利用训练好的分类器进行目标检测。

　　这一步需要用到performance.exe，该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。

　　performance.exe -data data/cascade -info posdata/test.dat -w 20 -h 20 -rs 30

　　performance的命令行参数如下：

　　Usage: ./performance
　　-data <classifier_directory_name>
　　-info <collection_file_name>
　　[-maxSizeDiff <max_size_difference = 1.500000>]
　　[-maxPosDiff <max_position_difference = 0.300000>]
　　[-sf <scale_factor = 1.200000>]
　　[-ni]
　　[-nos <number_of_stages = -1>]
　　[-rs <roc_size = 40>]
　　[-w <sample_width = 24>]
　　[-h <sample_height = 24>]

　　也可以用opencv的cvHaarDetectObjects函数进行检测：

　　CvSeq* faces = cvHaarDetectObjects( img, cascade, storage,1.1, 2, CV_HAAR_DO_CANNY_PRUNING,cvSize(40, 40) ); //3. 检测人脸
　　

Answer 2

　1.如果跑到某一个分类器时，几个小时也没有反应，而且显示不出训练百分比，这是因为你的负样本数量太少，或者负样本的尺寸太小，所有的负样本在这个分类器都被reject了，程序进入不了下一个循环，果断放弃吧。解决方法：负样本尽量要大一些，比如我的正样本是40*15，共300个,负样本是640*480，共500个。

　　2.读取样本时报错：Negative or too large argument of CvAlloc function，网上说这个错误是因为opencv规定单幅iplimage的内存分配不能超过10000，可是我的每个负样本都不会超过这个大小，具体原因不明。后来我把负样本的数量减少，尺寸加大，这个问题就解决了。

　　

　　最近要做一个性别识别的项目，在人脸检测与五官定位上我采用OPENCV的haartraining进行定位，这里介绍下这两天我学习的如何用opencv训练自己的分类器。在这两天的学习里，我遇到了不少问题，不过我遇到了几个好心的大侠帮我解决了不少问题，特别是无忌，在这里我再次感谢他的帮助。

　　一、简介
　　目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。该方法的基本步骤为： 首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。
　　分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。
　　分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。
　　目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。
　　"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。
　　根据上面的分析，目标检测分为三个步骤：
　　1、 样本的创建
　　2、 训练分类器
　　3、 利用训练好的分类器进行目标检测。
　　二、样本创建
　　训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本，反例样本指其它任意图片。
　　负样本
　　负样本可以来自于任意的图片，但这些图片不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名（基于描述文件的相对路径）。该文件创建方法如下：

　　采用Dos命令生成样本描述文件。具体方法是在Dos下的进入你的图片目录，比如我的图片放在D:\face\posdata下，则：

　　按Ctrl+R打开Windows运行程序，输入cmd打开DOS命令窗口，输入d:回车，再输入cd D:\face\negdata进入图片路径，再次输入dir /b > negdata.dat，则会图片路径下生成一个negdata.dat文件，打开该文件将最后一行的negdata.dat删除，这样就生成了负样本描述文件。dos命令窗口结果如下图：

　　正样本

　　对于正样本，通常的做法是先把所有正样本裁切好，并对尺寸做规整（即缩放至指定大小），如下图所示：

　　由于HaarTraining训练时输入的正样本是vec文件，所以需要使用OpenCV自带的CreateSamples程序（在你所按照的opencv\bin下，如果没有需要编译opencv\apps\HaarTraining\make下的.dsw文件，注意要编译release版的）将准备好的正样本转换为vec文件。转换的步骤如下：

　　1) 制作一个正样本描述文件，用于描述正样本文件名（包括绝对路径或相对路径），正样本数目以及各正样本在图片中的位置和大小。典型的正样本描述文件如下：

　　posdata/1(10).bmp 1 1 1 23 23
　　posdata/1(11).bmp 1 1 1 23 23
　　posdata/1(12).bmp 1 1 1 23 23

　　不过你可以把描述文件放在你的posdata路径（即正样本路径）下，这样你就不需要加前面的相对路径了。同样它的生成方式可以用负样本描述文件的生成方法，最后用txt的替换工具将“bmp”全部替换成“bmp 1 1 1 23 23
　　”就可以了，如果你的样本图片多，用txt替换会导致程序未响应，你可以将内容拷到word下替换，然后再拷回来。bmp后面那五个数字分别表示图片个数，目标的起始位置及其宽高。这样就生成了正样本描述文件posdata.dat。

　　2) 运行CreateSamples程序。如果直接在VC环境下运行，可以在Project\Settings\Debug属性页的Program arguments栏设置运行参数。下面是一个运行参数示例：
　　-info D:\face\posdata\posdata.dat -vec D:\face\pos.vec -num 50 -w 20 -h 20
　　表示有50个样本，样本宽20，高20，正样本描述文件为posdata.dat，结果输出到pos.vec。

　　或者在dos下输入：

　　"D:\Program Files\OpenCV\bin\createsamples.exe" -info "posdata\posdata.dat" -vec data\pos.vec -num 50 -w 20 -h 20
　　运行完了会d:\face\data下生成一个*.vec的文件。该文件包含正样本数目，宽高以及所有样本图像数据。结果入下图：

　　Createsamples程序的命令行参数：
　　命令行参数：
　　－vec <vec_file_name>
　　训练好的正样本的输出文件名。
　　－img<image_file_name>
　　源目标图片（例如：一个公司图标）
　　－bg<background_file_name>
　　背景描述文件。
　　－num<number_of_samples>
　　要产生的正样本的数量，和正样本图片数目相同。
　　－bgcolor<background_color>
　　背景色（假定当前图片为灰度图）。背景色制定了透明色。对于压缩图片，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh和bgcolor＋bgthresh中间的像素被认为是透明的。
　　－bgthresh<background_color_threshold>
　　－inv
　　如果指定，颜色会反色
　　－randinv
　　如果指定，颜色会任意反色
　　－maxidev<max_intensity_deviation>
　　背景色最大的偏离度。
　　－maxangel<max_x_rotation_angle>
　　－maxangle<max_y_rotation_angle>，
　　－maxzangle<max_x_rotation_angle>
　　最大旋转角度，以弧度为单位。
　　－show
　　如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本图片，而创建过程继续。这是个有用的debug选项。
　　－w<sample_width>
　　输出样本的宽度（以像素为单位）
　　－h《sample_height》
　　输出样本的高度，以像素为单位。
　　到此第一步样本训练就完成了。恭喜你，你已经学会训练分类器的五成功力了，我自己学这个的时候花了我一天的时间，估计你几分钟就学会了吧。
　　三、训练分类器
　　样本创建之后，接下来要训练分类器，这个过程是由haartraining程序来实现的。该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。
　　Haartraining的命令行参数如下：
　　－data<dir_name>
　　存放训练好的分类器的路径名。
　　－vec<vec_file_name>
　　正样本文件名（由trainingssamples程序或者由其他的方法创建的）
　　－bg<background_file_name>
　　背景描述文件。
　　－npos<number_of_positive_samples>，
　　－nneg<number_of_negative_samples>
　　用来训练每一个分类器阶段的正/负样本。合理的值是：nPos = 7000;nNeg = 3000
　　－nstages<number_of_stages>
　　训练的阶段数。
　　－nsplits<number_of_splits>
　　决定用于阶段分类器的弱分类器。如果1，则一个简单的stump classifier被使用。如果是2或者更多，则带有number_of_splits个内部节点的CART分类器被使用。
　　－mem<memory_in_MB>
　　预先计算的以MB为单位的可用内存。内存越大则训练的速度越快。
　　－sym（default）
　　－nonsym
　　指定训练的目标对象是否垂直对称。垂直对称提高目标的训练速度。例如，正面部是垂直对称的。
　　－minhitrate《min_hit_rate》
　　每个阶段分类器需要的最小的命中率。总的命中率为min_hit_rate的number_of_stages次方。
　　－maxfalsealarm<max_false_alarm_rate>
　　没有阶段分类器的最大错误报警率。总的错误警告率为max_false_alarm_rate的number_of_stages次方。
　　－weighttrimming<weight_trimming>
　　指定是否使用权修正和使用多大的权修正。一个基本的选择是0.9
　　－eqw
　　－mode<basic(default)|core|all>
　　选择用来训练的haar特征集的种类。basic仅仅使用垂直特征。all使用垂直和45度角旋转特征。
　　－w《sample_width》
　　－h《sample_height》
　　训练样本的尺寸，（以像素为单位）。必须和训练样本创建的尺寸相同。
　　一个训练分类器的例子：
　　"D:\Program Files\OpenCV\bin\haartraining.exe" -data data\cascade -vec data\pos.vec -bg negdata\negdata.dat -npos 49 -nneg 49 -mem 200 -mode ALL -w 20 -h 20

　　训练结束后，会在目录data下生成一些子目录，即为训练好的分类器。

　　训练结果如下：

　　

　　恭喜你，你已经学会训练分类器的九成功力了。

　　四：利用训练好的分类器进行目标检测。

　　这一步需要用到performance.exe，该程序源码由OpenCV自带，且可执行程序在OpenCV安装目录的bin目录下。

　　performance.exe -data data/cascade -info posdata/test.dat -w 20 -h 20 -rs 30

　　performance的命令行参数如下：

　　Usage: ./performance
　　-data <classifier_directory_name>
　　-info <collection_file_name>
　　[-maxSizeDiff <max_size_difference = 1.500000>]
　　[-maxPosDiff <max_position_difference = 0.300000>]
　　[-sf <scale_factor = 1.200000>]
　　[-ni]
　　[-nos <number_of_stages = -1>]
　　[-rs <roc_size = 40>]
　　[-w <sample_width = 24>]
　　[-h <sample_height = 24>]

　　也可以用opencv的cvHaarDetectObjects函数进行检测：

　　CvSeq* faces = cvHaarDetectObjects( img, cascade, storage,1.1, 2, CV_HAAR_DO_CANNY_PRUNING,cvSize(40, 40) ); //3. 检测人脸

Answer 3

每个Haar特征对应看一个弱分类器，但并不是任伺一个Haar特征都能较好的描述人脸灰度分布的某一特点，如何从大量的Haar特征中挑选出最优的Haar特征并制作成分类器用于人脸检测，这是AdaBoost算法训练过程所要解决的关键问题。
Paul Viola和Michael Jones于2001年将Adaboost算法应用于人脸检测中,其基本思想是针对不同的训练集训练同一个分类器（弱分类器），然后把这些不同训练集上的得到的分类器联合起来，构成一个最终的强分类器。Adaboost 算法中不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，对于h1 分类错误的样本，加大其对应的权重； 而对于分类正确的样本， 降低其权重， 这样分错的样本就被突出出来，从而得到一个新的样本分布 U2 。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器 h2 。依次类推，经过 T 次循环，得到 T 个弱分类器，把这 T 个弱分类器按一定的权重叠加（boost）起来，得到最终想要的强分类器。
训练系统总体框架，由“ 训练部分”和 “ 补充部分”构成。依据系统框架，本文的训练系统可分为以下几个模块:
(1)以样本集为输入，在给定的矩形特征原型下，计算并获得矩形特征集;
(2)以特征集为输入，根据给定的弱学习算法，确定闽值，将特征与弱分类器一一对应，获得弱分类器集;
(3)以弱分类器集为输入， 在训练检出率和误判率限制下， 使用A d a B o o s t 算法
挑选最优的弱分类器构成强分类器;
(4)以强分类器集为输入，将其组合为级联分类器;
(5)以非人脸图片集为输入，组合强分类器为临时的级联分类器，筛选并补充
非人脸样本。
训练样本的选择：
训练样本要求是面部特写图像，图1是一簇训练样本，大小被归一化为24×24像素，其中正训练样本要求是面部特写图像，但是人脸形态千差万别，所以训练样本选取过程中要考虑到样本的多样性。负训练样本，大小被归一化为24×24像素，其中各样本不完全相同，分别具有一定的代表性。
训练过程分为3个步骤：首先需要提取Haar特征；然后将Haar特征转化成对应的弱分类器；最后从大量的弱分类器中迭代选择出最优弱分类器。
(1)提取Haar特征
常用的Haar特征有4种，如图2所示。当然也可以在这4种特征的基础上设计出更多、更复杂的特征。以大小为24X24像素的训练样本为例，上述4种特征的总个数超过了160000个。这样庞大的数字给后续的迭代训练工作带来了庞大的计算量，直接导致AdaBoost算法训练过程极为费时，这恰恰是算法需要改进的关键问题之一o
(2)生成弱分类器
每一个Haar特征都对应着一个弱分类器，每一个弱分类器都是根据它所对应的Haar特征的参数来定义的。利用上述Haar特征的位置信息，对训练样本进行统计就可以得到对应的特征参数。AdaBoost算法中所训练的弱分类器是任何分类器，包括决策树，神经网络，隐马尔科夫模型，如果弱分类器是线性神经网络，那么AdaBoost算法每次将构造多层感知器的一个节点。
(3)采用AdaBoost算法选取优化的弱分类器
AdaBoost算法训练过程就是挑选最优弱分类器，并赋予权重过程，图3是AdaBoost算法训练示意图。
用OpenCV自带的adaboost程序训练分类器：（原文在此，本文稍作修改）
新手FAQ
一篇类似的文章
重要！可能遇到的问题：
1.如果跑到某一个分类器时，几个小时也没有反应，而且显示不出训练百分比，这是因为你的负样本数量太少，或者负样本的尺寸太小，所有的负样本在这个分类器都被reject了，程序进入不了下一个循环，果断放弃吧。解决方法：负样本尽量要大一些，比如我的正样本是40*15，共300个,负样本是640*480，共500个。
2.读取样本时报错：Negative or too large argument of CvAlloc function，网上说这个错误是因为opencv规定单幅iplimage的内存分配不能超过10000，可是我的每个负样本都不会超过这个大小，具体原因不明。后来我把负样本的数量减少，尺寸加大，这个问题就解决了。
3.训练的过程可能经常出错，耐心下来不要着急，我在训练MRI分类器的时候失败了无数次。失败的时候有两件事可以做，第一，调整正负样本的数量，再试。第二，调整负样本的大小，祝大家好运。
一、简介
目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。该方法的基本步骤为： 首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。
分类器训练完以后，就可以应用于输入图像中的感兴趣区域的检测。检测到目标区域分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。 为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。
目前支持这种分类器的boosting技术有四种： Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。
根据上面的分析，目标检测分为三个步骤：
1、 样本的创建
2、 训练分类器
3、 利用训练好的分类器进行目标检测。

Answer 4

目标检测方法最初由paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。
该方法的基本步骤为：
首先，利用样本（大约几百幅样本图片）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。

分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。

分类器训练完以后，就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测。检测到目标区域(汽车或人脸)分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。

Answer 5

去opencv中找到haartraining工程，这就是adaboost的C语言版本，但是只有haar一种特征。还有一个trainingcascade工程，里面是adaboost的C++版，提供了LBP，HAAR，HOG等多种特征。