级联分类器
执行训练的时候会输出一系列的参数，其中可以看到：【stageType: BOOST】。boosting算法涉及到弱分类器和强分类器的概念。弱分类器分类正确率较低，但是较容易获得，强分类器分类正确率较高，但是较难获得。只要样本充足，弱学习可以通过一定的组合获得任意精度的强学习。级联分类器就是 N个弱分类器 以级联的方式，从简单到复杂逐步串联而成。
可以用决策树来构建一个简单的弱分类器， 将提取到的特征与分类器的特征进行逐个比较，从而判断该特征是否属于人脸：
而强分类器相当于先让各个弱分类器进行投票，然后让投票结果根据各弱分类器的错误率进行加权相加，最后与平均的投票结果进行比较得到最终结果。
训练
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html
正样本：包含人脸的图片,灰度图。
正样本大小：统一大小并且不能小于负样本
负样本：不包含人脸的图片
负样本大小：无所谓正、负样本个数比列大约为 1： 3
制作负样本
负样本可以是任意图像，但是这些图像中不能包含待检测的物体。用于抠取负样本的图像文件名被列在一个文件中。这个文件是纯文本文件，每行是一个文件名（包括相对目录和文件名）。负样本和样本图像也叫做背景样本，或者背景样本图像，本文档中对之不予区分。这些图像可以是不同的尺寸，但是图像尺寸应该比训练窗口的尺寸大，因为这些图像将被用于抠取负样本，并将负样本缩小到训练窗口大小。
假如目录结构如下：
/bg
0.jpg
1.jpg
bg.txt
则bg.txt文件中的内容将如下所示：
bg/0.jpg
bg/1.jpg
#这部分内容可以使用java 程序来修改
制作正样本
正样本目录为：info
假设目录结构如下：
/bg
/info
0.jpg
1.jpg
info.data
文件info.data里的内容如下：
#分别表示 1张人脸 ；人脸从 0,0坐标开始；大小为24x24
info/0.jpg 1 0 0 24 24
#2个人脸； 人脸分别为 100,200处的50x50 和 50,30处的25x25为人脸
info/1.jpg 2 100 200 50 50 50 30 25 25
#这部分内容可以使用java 程序来修改
执行：（opencv环境变量配置opencv\build\x64\vc15\bin到path里）
opencv_createsamples -info info.data -vec info.vec -num 100 -w 24 -h 24
-info: 正样本描述
-vec : 输出的正样本向量
-num : 正样本数量
-w -h: 输出样本的大小
#输出：Done. Created 100 samples 表示成功生成100个样本
训练
创建一个data 目录，执行：
opencv_traincascade -data data -vec info.vec -bg bg.txt -numPos 100 -numNeg 300 -numStages 15 -featureType LBP -w 24 -h 24
-data ： 需要手动创建，生成的结果 训练的模型会输出到这个目录
-vec ： 正样本
-bg ： 负样本
-numPos ：每级分类器训练时所用到的正样本数目
-numNeg ：每级分类器训练时所用到的负样本数目，可以大于-bg数目
-numStages：训练分类器的级数，如果层数多，分类器的误差就更小，但是检测速度慢。(15-20)
-featureType: LBP
-w -h
输出：
Training until now has taken 0 days 0 hours 0 minutes 10 seconds.
表示成功
输出：
Required leaf false alarm rate achieved. Branch training terminated.
表示成功,但是误检率已经达标。(样本太少了)
输出：
Bad argument < Can not get new positive sample. The most possible reason is insufficient count of samples in given vec-file.
则意味着错误。
minHitRate：分类器的每一级希望得到的最小检测率。当设置为0.995时如果正训练样本个数为100个，那么其中的0.5个就很可能不被检测，第二次选择的时候必须多选择后面的5个，按照这种规律我们为后面的每级多增加numPos*minHitRate个正样本.
实际准备的正样本数量应该（读入vec的正样本数） >= numPos + (numStage - 1) * numPos * (1 - minHitRate)
按照此公式计算： x+14*x*0.005 = 1.07*x ,也就是正样本数量要大于等于 1.07*x 而我们正样本是100，所以x = 93.45，但是此处传100也可以。
因为实际的检测率会比minHitRate高，所以在设置numPos时可以将其设置的稍微再大些，最终的目的是要尽量让所有的正样本都参与到训练中。但是，过大就会出错。
VS中用代码采集正样本
for (Rect face : faces) {
//画矩形
//分别指定 bgra
rectangle(img, face, Scalar(255, 0, 255));
#if 0
//使用opencv自带的模型 记录你的脸作为样本
//把找到的人脸扣出来
Mat m;
//把img中的脸部位拷贝到m中
img(face).copyTo(m);
//把人脸 重新设置为 24x24大小的图片
resize(m, m, Size(24, 24));
//转成灰度
cvtColor(m, m, COLOR_BGR2GRAY);
char p[100];
sprintf(p, "D:/xx/ndk/opencv_face/img/info/%d.jpg",i++);
//把mat写出为jpg文件
imwrite(p,m);
#endif
}
