这段时间在学openCV，准备做一个头部检测，但是openCV自带的分类器只有人脸检测的，而且准确度不高，就准备
自己训练一个分类器
。在网上看了很多的博客，都讲得不是很清楚，而且
全是在windows上训练的
，对与用
习惯linux
的我来说，
用cmd
实在是太痛苦了，而我没有在网上找到这方面的博客，甚至连
opencv_createsamples
和
opencv_traincascade
在哪都没说只说在openCV目录下，但是直接安装的openCV下很多是没有的，对于新手来讲会非常迷茫，完全搞不懂。
然后我就到github上看
openCV的仓库
，发现仓库的apps目录下有分类器源码，觉得可以自己在linux下编译一个训练器
进过几次尝试，我发现openCV4以上版本源码编译出来是没有我需要的这两个训练器的，3一下版本的会报错，具体什么原因我不清楚，openCV-3.4.9版本的完全没有问题
一、安装Cmake
1、安装方法一
sudo apt install cmake
２、安装方法二
2.1 CMake 下载地址
官网
：
https://cmake.org/files
或者执行命令
wget https://cmake.org/files/v3.16/cmake-3.16.5-Linux-x86_64.tar.gz
sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"
sudo apt-get install build-essential
解压:
unzip mirrors-opencv-3.4.9.zip
cd opencv
mkdir build
http://woshicver.com/Eleventh/10_2_%E7%BA%A7%E8%81%94%E5%88%86%E7%B1%BB%E5%99%A8%E8%AE%AD%E7%BB%83/
２、准备样本
以上参数的含义如下：
－
vec
<vec_file_name>：训练好的正样本的输出文件名。
－
img
<image_file_name>：源目标图片
－
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。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
－
maxidev
<max_intensity_deviation>：背景色最大的偏离度。
－
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。
－
w
<sample_width>：输出样本的宽度（以像素为单位）
－
h
<sample_height>：输出样本的高度（以像素为单位）
只需要对正样本进行以上操作，负样本不需要生成vec文件。。。
注意：
这里要找一台好一点的电脑训练，我训练一万的样本，从最开始一天训练一级，然后每级的时间增加半天，到第五级已经差不多需要三天了，预计到20级没一两月搞不定
./opencv_traincascade -data xml -vec pos.vec -bg neg.txt -numPos 2000 -numNeg 7370 -numStages 20 -featureType HAAR -w 50 -h 50
像我这里输入-numPos 2000 ，在训练到第三级时就需要2018个正样本，如果.vec里只有2000个就会找不到新的正样本，从而报错
以上参数的含义如下：
-
data
<cascade_dir_name>：目录用于保存训练产生的分类器xml文件和中间文件，如不存在训练程序会创建它；
-
vec
<vec_file_name>：由 opencv_createsamples 程序生成的包含正样本的vec文件名；
-
bg
<background_file_name>：背景描述文件，也就是包含负样本文件名的那个描述文件
-
numPos
<number_of_positive_samples>：每级分类器训练时所用的正样本数目（默认值为2000）；
-
numNeg
<number_of_negative_samples>：每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目（默认值为1000）；
-
numStages
<number_of_stages>：训练的分类器的级数（默认值为20级）；
-
precalcValBufSize
<precalculated_vals_buffer_size_in_Mb>：缓存大小，用于存储预先计算的特征值(feature values)，单位为MB（默认值为256）；
-
precalcIdxBufSize
<precalculated_idxs_buffer_size_in_Mb>：缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB（默认值为256）；
内存越大，训练时间越短。
-
baseFormatSave
：这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储（默认不指定该参数项，此时其值为false；一旦指定则其值默认为true）；
级联参数：CvCascadeParams类，定义于cascadeclassifier.h
-stageType <BOOST(default)>：级别（stage）参数。目前只支持将BOOST分类器作为级联的类型；
-
featureType
<{HAAR(default), LBP}>：特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征（默认Harr）；
-
w
<sampleWidth>
：训练样本的宽（单位为像素，默认24）；
-
h
<sampleHeight>
：训练样本的高（单位为像素，默认24）；
训练样本的尺寸必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。
Boosted分类器参数：CvCascadeBoostParams类，定义于boost.h
-
bt
<{DAB, RAB, LB, GAB(default)}>：Boosted分类器的类型（DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost为默认）；
-
minHitRate
<min_hit_rate>：分类器的每一级希望得到的最小检测率（默认值为0.995），总的检测率大约为 min_hit_rate^number_of_stages；
-
maxFalseAlarmRate
<max_false_alarm_rate>：分类器的每一级希望得到的最大误检率（默认值为0.5），总的误检率大约为 max_false_alarm_rate^number_of_stages；
-
weightTrimRate
<weight_trim_rate>：Specifies whether trimming should be used and its weight，一个还不错的数值是0.95；
-
maxDepth
<max_depth_of_weak_tree>：弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）；
-
maxWeakCount
<max_weak_tree_count>：每一级中的弱分类器的最大数目（默认值为100）。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate；
五、测试程序
import cv2
face = cv2.CascadeClassifier("./data/cascade.xml")
