最近項目上需要用到機器學習，特利用OpenCV自帶的可執行程序對圖像樣本進行分類處理。
利用OpenCV中opencv_createsample.exe和opencv_traincascade.exe對圖像進行分類的主要步驟可分爲以下幾個部分：
1.準備正樣本和負樣本
我準備的正樣本爲30*30的bmp圖（8位），特別注意的是正樣本大小要一致！
並將其放到pos文件夾下，利用windows自帶的批處理程序，生成pos.dat文件（pos路徑下），pos文件格式如下：
同樣地，將負樣本放在新建的neg文件夾下，並生成neg.dat文件（.dat格式可以更改的）
2.生成vec描述文件
將pos文件夾下的所有樣本生成.vec文件，該部分可以在pos和neg文件夾的同級目錄下新建createsamples.bat文件（批處理文件），文件中內容如下：
opencv_createsamples.exe -vec pos\pos.vec -info pos\pos.dat -num 130 -w 30 -h 30
其中pos.vec文件放在pos文件夾中，-num爲正樣本的數目，-w 寬度 -h 高度
可以在後面添加pause,以便批處理後暫停查看處理信息，具體如下：
生成後的效果圖如下：
若上述報錯，一定要仔細查找出錯原因，否則後續無法正常進行！
3.生成分類器
首先要在pos文件夾和neg文件夾同級目錄下新建data文件夾（以便存儲生成的分類器文件），同時新建calssify.bat批處理文件，其內容如下：
特別注意上述的路徑！後續生成過程出現問題，很大一部分原因是路徑出現問題！其參數說明如下：
-------------------------------------------
-data data 分類生成的文件放置的位置（在剛纔新建的data文件夾裏）
-vec pos\pos.vec 加載vec文件（pos.vec文件在pos文件夾裏）
-bg neg\neg.dat 加載負樣本文件
-numPos 130 正樣本的數量
-numNeg 50 負樣本的數量（neg文件夾下有50張負樣本）
-numStages 15 樣本訓練的層數（層數多，耗時長，建議15~20）
-w 30 -h 30 樣本大小
-minHitRate 0.9999 最小命中率（訓練目標的準確度）
-maxFalseAlarmRate 0.5 最大誤檢率（每一層的訓練值小於該值，即可進行下一層的訓練）
-mode ALL 特徵檢測的方式（ALL表示haar全方位檢測）
此外還有：
-mem 可用於設置電腦使用內存
-numStages 訓練分類器的級數，強分類器的個數
-precalcValBufSize 緩存大小，用於存儲預先計算的特徵值，單位MB
-precalcldxBufSize 緩存大小，用於存儲預先計算的特徵索引，單位MB
-featureType 特徵檢測類型（默認Haar特徵，還有LBP和HOG特徵）
-------------------------------------------
訓練後效果圖如下：
中間省略。。。
訓練的stage較多，一部分原因是參數設置，另外一部分原因是樣本大小。
-----------------------------------------------------------------
生成完畢後，可在data文件夾下看到生成的.xml文件（分類器數據），後續進行樣本預測可用cascade.xml文件。
整個處理過程，速度還是很快的（我的數據很少），期間容易出錯的地方包括：
1.各文件的路徑（相對路徑關係）；
2.pos.dat文件中數據的排列格式（當然後綴不一定要取.dat，也可以.txt）
3.樣本過大，比如全是60*60的，且參數設置嚴格，訓練非常耗時，可能需要十幾個小時！，樣本最好爲20*20（我的爲30*30）；
-----------------------------------------------------------------
注意事項：
1.正負樣本數量搭配最好滿足 1:(2.5~3.0)；
2.負樣本的尺寸最好比正樣本尺寸大很多，例如正樣本爲20*20，負樣本爲1024*960；
3.負樣本之間需要有較大的差異性；
4.numPos最好要小於.vec文件中正樣本的數量，一般取0.9倍的正樣本數量；
5.正樣本中樣本圖案像素數量要大於背景圖像像素數量（即正樣本要集中體現樣本圖案！）；
6.-numNeg 中負樣本的數量可以超過實際負樣本的數量（通常這樣的效果較好！）；
7.訓練的速度 LBP>HOG>HARR（HARR的速度非常慢！）；
-----------------------------------------------------------------
-----------------------------------------------------------------
下面展示利用級聯分類器進行特定目標檢測的效果。
1.正樣本總數774個，大小爲30*30；
2.負樣本總數2690個，大小爲120*120；
3.訓練採用的配置參數如下：特徵模式爲LBP；特徵集爲CORE；級聯層數20級；每一級正樣本數600個；每一級負樣本數5000個；最小檢出率爲0.9999；最大虛警率0.5。
4.訓練耗時半小時左右（i7處理器、8G內存）；
5.訓練完成後，將.xml加載到檢測中，檢測函數對象.detectMultiScale中scaleFactor爲1.1，minNeighors爲1，flags爲4，minSize和maxSize分別爲21*21、30*30。參數具體含義可以參考opencv官方文檔。
6.被檢測對象如下：
7.不同對象被檢測的效果如下：
以上述檢測結果可看出，其檢測的效果並沒有想象中的那麼好！有的特徵沒有檢測出來，更有誤檢存在！（上中、下左、下右三幅圖全檢OK，其餘三幅存在問題！）。
在工業檢測中，上述的精度很難滿足實際的應用要求！直觀判斷，出現問題主要是因爲樣本的選取，其次是訓練參數的設置。
後續將進一步理解級聯分類器，致力於提高其檢測精度！