OpenCV 训练分类器 一、简介 目标检测方法最初由 Pau l Viola [Viola01]提出，并由 Rainer Lienhart [Lienhart02]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(与训练样本相同的尺寸)的检测
检测到目标区域(汽车或人脸)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目标样本(例如人脸或汽车等)，反例样本指其它任意图片，所有的样本图片都被归一化为同样的尺寸大小(例如，20x 20)
负样本 负样本可以来自于任意的
