一、简介
目标检测方法最初由PaulViola提出，并由Rainer Lienhart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、样本的创建
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测的目标样本，反例样本指其它任意图片。
反例（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：
在Dos命令下，可以生成描述文件，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\negdata下，则：
在开始菜单的查找框中输入cmd，然后运行程序，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。
也可以直接写一个negdata.bat文件，.bat是一个windows批处理文件，里面的内容如下：
cd D:\face\negdata
dir /b > negdata.dat
pausedos双击可直接执行里面的内容，生成负样本的描述文件。
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），如上图所示：
我这里是缩放成20*20大小，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，据我所知，早期版本的opencv好像自带编译好的createsamples.exe,但后期版本需要自己编译一下，才能形成creatsamples.exe，编译方法如下：新建一个项目，在项目中添加opencv自带的creatsamples.cpp文件，运行程序就会有.exe文件生成。例如，我新建项目first，就会有一个first.exe生成，这个first.exe在工程项目里面，opencv的createsamples.cpp在opencv\apps\haartraining路径下可以找到。
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：
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“jpg”全部替换成“jpg 1 0 0 20 20“，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。jpg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first.exe，如果直接在Vs环境下运行，可以在Project\Settings\Debug属性页的Programarguments栏设置运行参数。下面是一个运行参数示例：
-info D:\face\dst\src.dat -vec D:\face\pos.vec -num 80 -w 20 -h 20
表示有80个样本，样本宽20，高20，正样本描述文件为src.dat，结果输出到pos.vec，这些文件前面是我存放这些文件的路径，读者应根据自己的实际情况做修改。
或者在dos下输入：
"F:\opencvworkspace\first\Debug\first.exe" -info D:\face\dst\src.dat -vec D:\face\pos.vec -num 80 -w 20 -h 20
运行完了会D:\face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：
训练好的正样本的输出文件名。
－vec <vec_file_name>
－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
背景色最大的偏离度。
－maxidev<max_intensity_deviation>－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。
输出样本的宽度（以像素为单位）
－w<sample_width>－h《sample_height》
输出样本的高度，以像素为单位。
到此，前期的正负样本就准备好了，下面是训练分类器。
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，和Createsamples一样，早期opencv版本有自带的haartraining.exe，这里也需要自己编译，例如：我新建项目second，添加opencv\apps\haartraining中的haartraining.cpp文件，可以生成一个second.exe。同样在它的Project\Settings\Debug属性页的Programarguments栏设置运行参数，可以完成分类器的训练。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代表分类器的名字，pos.ves代表正样本，negdata.dat代表负样本，-pos代表正样本个数，-nneg代表负样本个数，-mem代表分配内存数，-mod ALL代表使用垂直和45度角旋转特征，-w和-h代表图片的宽高，注意，正样本数量和负样本数量最好控制在1:4至1:5之间的比例为好。训练好以后会在D:\face\cascade生成生成一些子目录，这些子目录里包含txt文档，这些文档即为训练好的分类器。训练结果如图所示：
训练好的分类器：
文件夹0里面的部分内容：
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stumpclassifier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。
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，也需要我们新建项目，自己编译一遍，例如：我新建项目third，添加opencv\apps\haartraining中的performance.cpp文件，可生成third.exe。同样在它的Project\Settings\Debug属性页的Programarguments栏设置运行参数，可以完成分类器的目标检测。在这之前，必须准备好你的测试图片，格式和你的正样本图片一样，尺寸也和正样本图片一样。在Programarguments栏设置运行参数，例如：
-data D:\face\cascade -info D:\face\testdata\testdata.dat -w 20 -h 20 -rs 30然后就可以的得到测试结果。
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。
