一、簡介
目標檢測方法最初由PaulViola提出，並由Rainer Lienhart對這一方法進行了改善。該方法的基本步驟爲： 首先，利用樣本（大約幾百幅樣本圖片）的harr 特徵進行分類器訓練，得到一個級聯的boosted分類器。分類器中的"級聯"是指最終的分類器是由幾個簡單分類器級聯組成。在圖像檢測中，被檢窗口依次通過每一級分類器， 這樣在前面幾層的檢測中大部分的候選區域就被排除了，全部通過每一級分類器檢測的區域即爲目標區域。
分類器訓練完以後，就可以應用於輸入圖像中的感興趣區域的檢測。檢測到目標區域分類器輸出爲1，否則輸出爲0。爲了檢測整副圖像，可以在圖像中移動搜索窗口，檢測每一個位置來確定可能的目標。 爲了搜索不同大小的目標物體，分類器被設計爲可以進行尺寸改變，這樣比改變待檢圖像的尺寸大小更爲有效。所以，爲了在圖像中檢測未知大小的目標物體，掃描程序通常需要用不同比例大小的搜索窗口對圖片進行幾次掃描。
目前支持這種分類器的boosting技術有四種：Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。"boosted"即指級聯分類器的每一層都可以從中選取一個boosting算法(權重投票)，並利用基礎分類器的自我訓練得到。
根據上面的分析，目標檢測分爲三個步驟：
1、 樣本的創建
2、 訓練分類器3、 利用訓練好的分類器進行目標檢測
二、樣本的創建
訓練樣本分爲正例樣本和反例樣本，其中正例樣本是指待檢測的目標樣本，反例樣本指其它任意圖片。
反例（負）樣本：負樣本可以來自於任意的圖片，但這些圖片不能包含目標特徵。負樣本由背景描述文件來描述。背景描述文件是一個文本文件，每一行包含了一個負樣本圖片的文件名（基於描述文件的相對路徑）。該文件創建方法如下：
在Dos命令下，可以生成描述文件，具體方法是在Dos下的進入你的圖片目錄，比如我的圖片放在D:\face\negdata下，則：
在開始菜單的查找框中輸入cmd，然後運行程序，輸入cmd打開DOS命令窗口，輸入d:回車，再輸入cd D:\face\negdata進入圖片路徑，再次輸入dir/b > negdata.dat，則會圖片路徑下生成一個negdata.dat文件，打開該文件將最後一行的negdata.dat刪除，這樣就生成了負樣本描述文件。
也可以直接寫一個negdata.bat文件，.bat是一個windows批處理文件，裏面的內容如下：
cd D:\face\negdata
dir /b > negdata.dat
pausedos
雙擊可直接執行裏面的內容，生成負樣本的描述文件。
命令窗口結果如下圖：
正樣本：
對於正樣本，通常的做法是先把所有正樣本裁切好，並對尺寸做規整（即縮放至指定大小），如上圖所示：
我這裏是縮放成20*20大小，由於HaarTraining訓練時輸入的正樣本是vec文件，所以需要使用OpenCV自帶的CreateSamples程序，據我所知，早期版本的opencv好像自帶編譯好的createsamples.exe,但後期版本需要自己編譯一下，才能形成creatsamples.exe，編譯方法如下：新建一個項目，在項目中添加opencv自帶的creatsamples.cpp文件，運行程序就會有.exe文件生成。例如，我新建項目first，就會有一個first.exe生成，這個first.exe在工程項目裏面，opencv的createsamples.cpp在opencv\apps\haartraining路徑下可以找到。
1) 製作一個正樣本描述文件，用於描述正樣本文件名（包括絕對路徑或相對路徑），正樣本數目以及各正樣本在圖片中的位置和大小。典型的正樣本描述文件如下：
同樣它的生成方式可以用負樣本描述文件的生成方法，最後用txt的替換工具將“jpg”全部替換成“jpg 1 0 0 20 20“，就可以了，如果你的樣本圖片多，用txt替換會導致程序未響應，你可以將內容拷到word下替換，然後再拷回來。jpg後面那五個數字分別表示圖片個數，目標的起始位置及其寬高。這樣就生成了正樣本描述文件posdata.dat。
2) 運行first.exe，如果直接在Vs環境下運行，可以在Project\Settings\Debug屬性頁的Programarguments欄設置運行參數。下面是一個運行參數示例：
-info D:\face\dst\src.dat -vec D:\face\pos.vec -num 80 -w 20 -h 20
表示有80個樣本，樣本寬20，高20，正樣本描述文件爲src.dat，結果輸出到pos.vec，這些文件前面是我存放這些文件的路徑，讀者應根據自己的實際情況做修改。
或者在dos下輸入：
"F:\opencvworkspace\first\Debug\first.exe" -info D:\face\dst\src.dat -vec D:\face\pos.vec -num 80 -w 20 -h 20
運行完了會D:\face下生成一個*.vec的文件。該文件包含正樣本數目，寬高以及所有樣本圖像數據。結果入下圖：
命令行參數：
－vec <vec_file_name>
訓練好的正樣本的輸出文件名。
－img<image_file_name>
源目標圖片（例如：一個公司圖標）
－bg<background_file_name>
背景描述文件。
－num<number_of_samples>
要產生的正樣本的數量，和正樣本圖片數目相同。
－bgcolor<background_color>
背景色（假定當前圖片爲灰度圖）。背景色制定了透明色。對於壓縮圖片，顏色方差量由bgthresh參數來指定。則在bgcolor－bgthresh和bgcolor＋bgthresh中間的像素被認爲是透明的。
－bgthresh<background_color_threshold>
－inv
如果指定，顏色會反色
－randinv
如果指定，顏色會任意反色
－maxidev<max_intensity_deviation>
背景色最大的偏離度。
－maxangel<max_x_rotation_angle>
－maxangle<max_y_rotation_angle>，
－maxzangle<max_x_rotation_angle>
最大旋轉角度，以弧度爲單位。
－show
如果指定，每個樣本會被顯示出來，按下"esc"會關閉這一開關，即不顯示樣本圖片，而創建過程繼續。這是個有用的debug選項。
－w<sample_width>
輸出樣本的寬度（以像素爲單位）
－h《sample_height》
輸出樣本的高度，以像素爲單位。
到此，前期的正負樣本就準備好了，下面是訓練分類器。
三、訓練分類器
樣本創建之後，接下來要訓練分類器，這個過程是由haartraining程序來實現的。該程序源碼由OpenCV自帶，和Createsamples一樣，早期opencv版本有自帶的haartraining.exe，這裏也需要自己編譯，例如：我新建項目second，添加opencv\apps\haartraining中的haartraining.cpp文件，可以生成一個second.exe。同樣在它的Project\Settings\Debug屬性頁的Programarguments欄設置運行參數，可以完成分類器的訓練。例如：
-data D:\face\cascade -vec D:\face\pos.vec -bg D:\face\negdata\negdata.dat -npos 80 -nneg 350 -mem 200 -mod ALL -w 20 -h 20
cascade代表分類器的名字，pos.ves代表正樣本，negdata.dat代表負樣本，-pos代表正樣本個數，-nneg代表負樣本個數，-mem代表分配內存數，-mod ALL代表使用垂直和45度角旋轉特徵，-w和-h代表圖片的寬高，注意，正樣本數量和負樣本數量最好控制在1:4至1:5之間的比例爲好。訓練好以後會在D:\face\cascade生成生成一些子目錄，這些子目錄裏包含txt文檔，這些文檔即爲訓練好的分類器。訓練結果如圖所示：
訓練好的分類器：
Haartraining的命令行參數如下：
－data<dir_name>
存放訓練好的分類器的路徑名。
－vec<vec_file_name>
正樣本文件名（由trainingssamples程序或者由其他的方法創建的）
－bg<background_file_name>
背景描述文件。
－npos<number_of_positive_samples>，
－nneg<number_of_negative_samples>
用來訓練每一個分類器階段的正/負樣本。合理的值是：nPos= 7000;nNeg = 3000
－nstages<number_of_stages>
訓練的階段數。
－nsplits<number_of_splits>
決定用於階段分類器的弱分類器。如果1，則一個簡單的stumpclassifier被使用。如果是2或者更多，則帶有number_of_splits個內部節點的CART分類器被使用。
－mem<memory_in_MB>
預先計算的以MB爲單位的可用內存。內存越大則訓練的速度越快。
－sym（default）
－nonsym
指定訓練的目標對象是否垂直對稱。垂直對稱提高目標的訓練速度。例如，正面部是垂直對稱的。
－minhitrate《min_hit_rate》
每個階段分類器需要的最小的命中率。總的命中率爲min_hit_rate的number_of_stages次方。
－maxfalsealarm<max_false_alarm_rate>
沒有階段分類器的最大錯誤報警率。總的錯誤警告率爲max_false_alarm_rate的number_of_stages次方。
－weighttrimming<weight_trimming>
指定是否使用權修正和使用多大的權修正。一個基本的選擇是0.9
－eqw
－mode<basic(default)|core|all>
選擇用來訓練的haar特徵集的種類。basic僅僅使用垂直特徵。all使用垂直和45度角旋轉特徵。
－w《sample_width》
－h《sample_height》
訓練樣本的尺寸，（以像素爲單位）。必須和訓練樣本創建的尺寸相同。
四、利用訓練好的分類器進行目標檢測
這一步需要用到performance.exe，該程序源碼由OpenCV自帶，也需要我們新建項目，自己編譯一遍，例如：我新建項目third，添加opencv\apps\haartraining中的performance.cpp文件，可生成third.exe。同樣在它的Project\Settings\Debug屬性頁的Programarguments欄設置運行參數，可以完成分類器的目標檢測。在這之前，必須準備好你的測試圖片，格式和你的正樣本圖片一樣，尺寸也和正樣本圖片一樣。在Programarguments欄設置運行參數，例如：
-data D:\face\cascade -info D:\face\testdata\testdata.dat -w 20 -h 20 -rs 30
然後就可以的得到測試結果。
performance的命令行參數如下：
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函數進行檢測。
