这是opencv训练自己的人脸（liǎn）检测分类（lèi）器样本（běn）下载（zǎi），最近（jìn）要（yào）做一个（gè）性别识别的项目，在人脸检（jiǎn）测与五官定位上我采用OPENCV的haartraining进（jìn）行定（dìng）位（wèi），这里介绍（shào）下这两天我学（xué）习的（de）如何用opencv训练（liàn）自己的分类器。在这两天的学（xué）习里，我遇（yù）到（dào）了不少问题，不过我遇到了几（jǐ）个好心的大侠帮我解（jiě）决了不少问题，特别是无忌，在这里我再次感谢他（tā）的帮助。
opencv训练（liàn）自己的（de）人脸检测（cè）分类器样本（běn）是（shì）目标检测方法最初由Paul Viola [Viola01]提出（chū），并由Rainer Lienhart [Lienhart02]对这一方法进行了（le）改善。该方法的（de）基（jī）本步骤为： 首（shǒu）先，利用样本（大（dà）约（yuē）几（jǐ）百幅样本（běn）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（de）分类器是由几（jǐ）个简单分（fèn）类（lèi）器级联组成。在图像检测中，被检（jiǎn）窗口依次通过每一级（jí）分类器， 这样在前（qián）面几（jǐ）层的检测中（zhōng）大部分的候（hòu）选区域就被排除了，全部通过每一级分（fèn）类器检测的区域即为目标区域。
分类器训练完以（yǐ）后，就可（kě）以应用于输入图像中（zhōng）的（de）感兴趣区域的检测。检测到目标区域分类器输（shū）出为（wéi）1，否（fǒu）则（zé）输（shū）出为0。为了检测整副图像，可以在图像中移动（dòng）搜索窗口，检测每一个位置来确定（dìng）可能的目标。 为（wéi）了（le）搜索不同（tóng）大小的目标物体，分类器被设（shè）计为可（kě）以进（jìn）行尺寸改变，这样（yàng）比改变待检图像的（de）尺寸大小更（gèng）为有效。所以，为了在图像中检测未知大小的目标物体，扫描（miáo）程序通常（cháng）需要用不（bú）同比例大（dà）小的（de）搜索窗（chuāng）口对图片进行几次（cì）扫描。
目前支（zhī）持这种（zhǒng）分类器的boosting技术有四种： Discrete Adaboost， Real Adaboost， Gentle Adaboost and Logitboost。
"boosted" 即指（zhǐ）级（jí）联分类器的每（měi）一层都可以从中选取（qǔ）一（yī）个boosting算法(权重投票)，并利用基础分类器的自我（wǒ）训练（liàn）得到。
1、 样本的创建
2、 训（xùn）练分类器
3、 利用（yòng）训练好的分类器进行目标检（jiǎn）测。
opencv训练（liàn）自己的人脸检（jiǎn）测（cè）分类器样本在opencv中有两个类（lèi）型的分（fèn）类（lèi）器：opencv_haartraining和opencv_traincascade，后者是2.x版本中基于C++写（xiě）的（de）新（xīn）版本的分类器。二（èr）者最主要（yào）的（de）区别是opencv_traincascade支（zhī）持Haar和LBP。LBP在训（xùn）练和检测方面要比Haar特征快数倍。Haar和LBP的检测质量取决于要训练（liàn）的数据和训练的参数设置。
opencv_traincascade与opencv_haartraining以不同的（de）文件类型（xíng）存储训练分类器。新的cascade检测接口支（zhī）持者两种格（gé）式。opencv_traincascade可以保（bǎo）存（输出）旧（jiù）格式（shì）的级（jí）联器，但是opencv_traincascade和opencv_haartraining不能在训练中断后加载另一种格（gé）式的（de）分类器。
需要注意的是opencv_traincascade可使TBB用（yòng）于（yú）多（duō）线（xiàn）程，而使（shǐ）用多核（hé）心的opencv一定是（shì）基于TBB。
