树莓派基于分类器的识别环保标志（四）
接着上一篇我们创造完优良条件后，呦西，接下来开始搞分类器xml。
本文是在样本处理完成情况下，进行分类器训练。关于分类器训练网上有很多讲解，但是对于初学者还是有一定难度，这可能与个人学习笔记的习惯有关。对此我讲我学习的总结下来以图像方式展示给大家。
执行命令:opencv_traincascade.exe -data data -vec pos.vec -bg negdata.txt -numPos 242 -numNeg 1096 -numStages 20 -w 25 -h 25 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -mode ALL
命令讲解：opencv_traincascade.exe 这是一个opencv自带的可执行函数，用于实现对分类器的训练。直接在doc下用命令执行即可，存放路径一般为：..\opencv\build\x86\vc11\bin（一般我们用的是win32位环境下的运行程序（参考： http://www.cnblogs.com/linmengran/p/5898303.html），因此在opencv环境配置时就只加入了x86的bin路径，因此在这里选取x86下的opencv_traincascade.exe ）。这里我为了找路径方便与样本文件放在同一目录下这样可以找到 很容易调取 xml文件夹，和pos.vec、negdata.txt，也可以直接调用。 -data xml存储训练时的生成的文件。最终生成一个.xml文件,如下图：
xml文件夹内容：
-vec pos.vec 调用.vec文件，与neg.txt放在同一目录下。
-bg negdata.txt 负样本生成文件，可以理解成是负样本的索引。
-nstages 20 训练级数
-npos 242 正样本数量
-nneg 1000 负样本数量
-mem 1280 训练时内存预留的空间1280MB
-mode all 级联器的类型，all代表所有类型(就是使用harr的所有特征分类）
-w 25 图片的宽25像素，必须与之前一致
-h 25 图片的高25像素，必须与之前一致
执行结果如下：（这个不想自己再执行一遍了，搬运的图片）
训练结果：
运用其训练的结果测试了一下：
但是效果不是很稳定，有时会变得不准确，这与分类器的样本和测试方式，以及测试代码有关，目前修改中，以后附上测试代码。（可能是我图片有时候筛选的不是很好吧hhhhh）
其他参考命令：
- " -data <dir_name>\n"
- " -vec <vec_file_name>\n"
- " -bg <background_file_name>\n"
- " [-bg-vecfile]\n"
- " [-npos <number_of_positive_samples = %d>]\n"
- " [-nneg <number_of_negative_samples = %d>]\n"
- " [-nstages <number_of_stages = %d>]\n"
- " [-nsplits <number_of_splits = %d>]\n"
- " [-mem <memory_in_MB = %d>]\n"
- " [-sym (default)] [-nonsym]\n"
- " [-minhitrate <min_hit_rate = %f>]\n"
- " [-maxfalsealarm <max_false_alarm_rate = %f>]\n"
- " [-weighttrimming <weight_trimming = %f>]\n"
- " [-eqw]\n"
- " [-mode <BASIC (default) | CORE | ALL>]\n"
- " [-w <sample_width = %d>]\n"
- " [-h <sample_height = %d>]\n"
- " [-bt <DAB | RAB | LB | GAB (default)>]\n"
- " [-err <misclass (default) | gini | entropy>]\n"
- " [-maxtreesplits <max_number_of_splits_in_tree_cascade = %d>]\n"
- " [-minpos <min_number_of_positive_samples_per_cluster = %d>]\n"