在前两篇文章中，我介绍了《训练自己的haar-like特征分类器并识别物体》的前三个步骤：

1.准备训练样本图片，包括正例及反例样本

2.生成样本描述文件

3.训练样本

4.目标识别

==============

本文将着重说明最后一个阶段——目标识别，也即利用前面训练出来的分类器文件(.xml文件)对图片中的物体进行识别，并在图中框出在该物体。由于逻辑比较简单，这里直接上代码：

int _tmain(int argc, _TCHAR* argv[]) 
{ 
    char *cascade_name = CASCADE_HEAD_MY; //上文最终生成的xml文件命名为"CASCADE_HEAD_MY.xml" 
    cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name, 0, 0, 0 ); //加载xml文件 
  
    if( !cascade ) 
    { 
        fprintf( stderr, "ERROR: Could not load classifier cascade\n" ); 
        system("pause"); 
        return -1; 
    } 
    storage = cvCreateMemStorage(0); 
    cvNamedWindow( "face", 1 ); 
  
    const char* filename = "(12).bmp"; 
    IplImage* image = cvLoadImage( filename, 1 ); 
  
    if( image ) 
    { 
        detect_and_draw( image ); //函数见下方 
        cvWaitKey(0); 
        cvReleaseImage( &image );   
    } 
    cvDestroyWindow("result"); 
    return 0; 
} 

实际检测的实现代码：

void detect_and_draw(IplImage* img )  
{  
    double scale=1.2;  
    static CvScalar colors[] = {  
        {{0,0,255}},{{0,128,255}},{{0,255,255}},{{0,255,0}},  
        {{255,128,0}},{{255,255,0}},{{255,0,0}},{{255,0,255}}  
    };//Just some pretty colors to draw with 
 
    //Image Preparation  
    //  
    IplImage* gray = cvCreateImage(cvSize(img->width,img->height),8,1);  
    IplImage* small_img=cvCreateImage(cvSize(cvRound(img->width/scale)
,cvRound(img->height/scale)),8,1);  
    cvCvtColor(img,gray, CV_BGR2GRAY);  
    cvResize(gray, small_img, CV_INTER_LINEAR); 
 
    cvEqualizeHist(small_img,small_img); //直方图均衡 
 
    //Detect objects if any  
    //  
    cvClearMemStorage(storage);  
    double t = (double)cvGetTickCount();  
    CvSeq* objects = cvHaarDetectObjects(small_img,  
        cascade,  
        storage,  
        1.1,  
        2,  
        0/*CV_HAAR_DO_CANNY_PRUNING*/,  
        cvSize(30,30)); 
 
    t = (double)cvGetTickCount() - t;  
    printf( "detection time = %gms\n", t/((double)cvGetTickFrequency()*1000.) ); 
 
    //Loop through found objects and draw boxes around them  
    for(int i=0;i<(objects? objects->total:0);++i)  
    {  
        CvRect* r=(CvRect*)cvGetSeqElem(objects,i);  
        cvRectangle(img, cvPoint(r->x*scale,r->y*scale)
, cvPoint((r->x+r->width)*scale,(r->y+r->height)*scale), colors[i%8]);  
    }  
    for( int i = 0; i < (objects? objects->total : 0); i++ )  
    {  
        CvRect* r = (CvRect*)cvGetSeqElem( objects, i );  
        CvPoint center;  
        int radius;  
        center.x = cvRound((r->x + r->width*0.5)*scale);  
        center.y = cvRound((r->y + r->height*0.5)*scale);  
        radius = cvRound((r->width + r->height)*0.25*scale);  
        cvCircle( img, center, radius, colors[i%8], 3, 8, 0 );  
    } 
 
    cvShowImage( "result", img );  
    cvReleaseImage(&gray);  
    cvReleaseImage(&small_img);  
} 

===================================

其实上面的代码可以运用于大部分模式识别问题，无论是自己生成的xml文件还是opencv自带的xml文件。在opencv的工程目录opencv\data文件夹下有大量的xml文件，这些都是opencv开源项目中的程序员们自己训练出来的。然而，效果一般不会合你预期，所以才有了本系列文章。天下没有免费的午餐，想要获得更高的查准率与查全率，不付出点努力是不行的！