最近在使用opencv里的haar+adaboost做检测，其实早在一年前的无锡已经看过用它做车徽检测，然后再做识别(大众，奔驰...)。这次终于要自己动手做了，网上有很多这方面的资料，感谢大家分享他们的经验。重复的东西这里就不再赘述了，只简单的补充几个大家容易疏忽的东西。
step1.首先是准备正负样本，正样本好说，打了标签，解析xml文件，然后做点小旋转就可以用了
负样本就复杂了，第一点要求是不能包含正样本，在我的应用场景中还需要尽可能多的提供场景的背景图,而不是网上所说的从网络上找一些不相干的图像，这些图像加进来促进作用也不大，因为我的场景中根本不会出现它们，但也不会出现负作用。第二是负样本数目尽可能的多，但这个还是量力而行吧，毕竟纯体力活，没多大的乐趣在里面。补充一句，样本的目录结构很简单，只要包含pos和neg两个子文件夹和opencv_haartraining.exe,
opencv_createsamples.exe,convert_cascade.exe等几个可执行程序,比如face-->face\train face\test
step2.生成正负样本描述文件，描述文件保存在face目录下与train test平级，命令如下：
打开cmd 分别cd 到正负样本目录
cd negdir
dir /b > negative.data
cd posdir
dir /b > positive.data
生成的描述文件当然还要替换才能够最终使用 对于positive.data只要在最后把jpg ->jpg 1 0 0 20 20，这里注意最好是在word下面替换好，再拷到txt下，速度快些，1 0 0 20 20的意思是这幅图片包含一个正样本目标，矩形区域为 0 0 20 20这里由于我们的正样本只有一个目标，而且已经大小归一化为20x20的图像，所以这里参数这么定义，而且opencv的坐标是从0开始的，我开始想过是不是要写成 0 0 19 19，本来看过网上一篇文章错写成1 1 20 20也没出错。正负样本的.data文件都要做的一件事是：打开.data文件，替换掉不是图片的行，比如positive.data negative.data.对于正样本，由于大小一致，为了避免过多的IO操作，可以生成vec文件，cd 到face目录 直接cd ..即可 然后输入命令：
opencv_createsamples.exe -info "pos/positive.data" -vec pos.vec -num 7097 -w 20 -h 20
其中-num指定你的正样本数目 -w 图像宽度，-h图像高度 生成描述文件
step3：经过上一步，准备工作已经做好，可以开始运行训练了，输入命令：
opencv_haartraining.exe -data haarcascade7097 -vec pos7097.vec -bg neg/negative.data -nstages 20 -nsplits 2 -minhitrate 0.999 -maxfalsealarm 0.5 -npos 7097 -nneg 7097 -w 20 -h 20 -mem 1024 -mode ALL
解释下各个参数的含义 -data 指定生成的文件目录， -vec vec文件名， -bg 负样本描述文件路径， -nstage 20 指定训练层数，推荐15~20，层数越高，耗时越长。-nsplits 分裂子节点数目,选取默认值 2 -minhitrate 最小命中率，即训练目标准确度。-maxfalsealarm最大虚警(误检率)，每一层训练到这个值小于0.5时训练结束，进入下一层训练，-npos 正样本数目，-nneg 负样本数目 这个值可以设置大于真正的负样本图像数目，程序可以自动从负样本图像中切割出和正样本大小一致的 -nneg张图 这个参数一半设置为正样本数目的1~3倍， -w -h意思很明确， -mem 程序可使用的内存，这个设置为256即可，实际运行时根本就不怎么耗内存。 -mode ALL指定haar特征的类型数目
step3:然后就是等待了 ，我用上面的代码，负样本数目为2830，训练了一周，当然如果实在等不住了，中间结果也可以生成xml文件，命令如下：
/*转换为xml*/
convert_cascade.exe --size="20x20" ..\cascade ..\cascade.xml
ps:还有一个小建议：大家最好自己编译opencv，这样就可以vs--->project-->properties-->c++-->language-->OpenMp support 开启openmp选项，编译出来的exe就是多核并行的，提升速度很重要，我上面说的一周就是openmp加速在8核，3.2Ghz的服务器上跑的。
用别人的总有一天要还，想要最快，不会出错，最好自己写 haar+ adaboost ，这样选取负样本(最耗时的部分)的程序也可以并行加速了。waiting for me
最后添加几幅运行时图片：
这个是我跑到19层的结果，其中BACKGROUNG PROCESSING TIME 是负样本切割时间 很长很长
N 为训练层数 %SMP 样本占总样本个数 ST.THR 阈值，HR 击中率， FA 虚警 EXP.ERR 经验错误率
这个是指定的haarcasade7079 文件中生成的每一层文件的文件夹
文件和文件中的内容，然后使用
convert_cascade.exe --size="20x20" ..\cascade ..\cascade.xml就可以生成xml文件
祝大家玩的开心 有问题可以发信到gjtjx@163.com,只回复本文所包含的问题，
其他问题可以参看Opencv自带的doc 中haar训练的问题FAQ，还是参看英文原版的东西
节约时间.