テンプレートマッチングで画像から取り出すには無理がありそうなので、やはり、独自なオブジェクト検出器を作ってみないとだめか、と思い、
OpenCVで学ぶ画像認識：第4回 オブジェクト検出器の作成方法｜gihyo.jp … 技術評論社
http://gihyo.jp/dev/feature/01/opencv/0004
を読んで、試しに、AdaBoost を使ってカスケードを作ろうと思ったのだが、いやあ、ちょっと時間が掛かりすぎる。
■学習用の正解ファイルの作成
C:\OpenCV2.3\build\bin\opencv_createsamples.exe ^ -img images\koma01.png ^ -vec koma01.vec ^ -num 1000 ^ -bg NG.txt ^ -w 45 -h 45 ^ -show
■オブジェクトの学習
C:\OpenCV2.3\build\bin\opencv_haartraining.exe ^ -data koma01 ^ -vec koma01.vec ^ -bg NG.txt ^ -npos 1000 ^ -nneg 467 ^ -w 45 -h 45 ^ -mem 200 ^
な感じで動かしていますが、4時間ほど経っても終わらず。
駒を検出したいので、今回の場合は正解画像は1つ（ゲーム中に出てくる画像）になるのですが、光の関係や画面を映す関係からいくつかの正解画像を用意します。そのあたりは、opencv_createsamples を使って、1000 枚の画像に水増しします。ファイルは別々にできずに、koma01.vec のように1つのファイルにまとめられます。
最初は、駒の画像が 90×90 だったので、そのまま指定したのですが、あえなくメモリーオーバーしてしまい opencv_haartraining がダウン。サイズを 45×45 にすると動くようになったので、対象画像はそこそこ小さいサイズにしないと駄目なのかも。
不正解の画像をどのように集めるのか？とも思ったのですが、マッチングしなければ何でもいいわけで、
Caltech101
http://www.vision.caltech.edu/Image_Datasets/Caltech101/Caltech101.html
にある適当なフォルダ（BACKGROUND_Google というランダムっぽい画像フォルダがある）を使っています。
うまく実行できると、下記のように、（多分）テンプレート画像を切り替えながら、閾値を切り替えながら学習し始めるわけですが…
D:\work\OpenCV\src\PiyoDetect\PiyoML\data>opencv_haartraining.exe -d xml -vec koma01.vec -bg NG.txt -npos 1000 -nneg 467 -w 45 -h 45 Data dir name: koma01.xml Vec file name: koma01.vec BG file name: NG.txt, is a vecfile: no Num pos: 1000 Num neg: 467 Num stages: 14 Num splits: 1 (stump as weak classifier) Mem: 200 MB Symmetric: TRUE Min hit rate: 0.995000 Max false alarm rate: 0.500000 Weight trimming: 0.950000 Equal weights: FALSE Mode: BASIC Width: 45 Height: 45 Applied boosting algorithm: GAB Error (valid only for Discrete and Real AdaBoost): misclass Max number of splits in tree cascade: 0 Min number of positive samples per cluster: 500 Required leaf false alarm rate: 6.10352e-005 Tree Classifier Stage +---+ | 0| +---+ Number of features used : 1007032 Parent node: NULL *** 1 cluster *** POS: 1000 1000 1.000000 NEG: 467 1 BACKGROUND PROCESSING TIME: 0.22 Precalculation time: 0.05 +----+----+-+---------+---------+---------+---------+ | N |%SMP|F| ST.THR | HR | FA | EXP. ERR| +----+----+-+---------+---------+---------+---------+ | 1|100%|-|-0.763750| 1.000000| 1.000000| 0.123381| +----+----+-+---------+---------+---------+---------+ | 2|100%|+|-0.660565| 0.999000| 0.837259| 0.123381| +----+----+-+---------+---------+---------+---------+ | 3| 94%|-|-1.246627| 0.996000| 0.490364| 0.104294| +----+----+-+---------+---------+---------+---------+ Stage training time: 889.36 Number of used features: 3 Parent node: NULL Chosen number of splits: 0 Total number of splits: 0 Tree Classifier Stage +---+ | 0| +---+ 0 Parent node: 0 *** 1 cluster *** POS: 996 1000 0.996000 NEG: 465 0.524831 BACKGROUND PROCESSING TIME: 0.03 Precalculation time: 0.05 +----+----+-+---------+---------+---------+---------+ | N |%SMP|F| ST.THR | HR | FA | EXP. ERR| +----+----+-+---------+---------+---------+---------+ | 1|100%|-|-0.635385| 1.000000| 1.000000| 0.182752| +----+----+-+---------+---------+---------+---------+ | 2|100%|+|-0.333012| 0.996988| 0.544086| 0.149213| +----+----+-+---------+---------+---------+---------+ | 3|100%|-|-0.999921| 0.996988| 0.544086| 0.082820| +----+----+-+---------+---------+---------+---------+ | 4|100%|+|-0.692312| 0.996988| 0.389247| 0.063655| +----+----+-+---------+---------+---------+---------+ Stage training time: 1205.64 Number of used features: 4 Parent node: 0 Chosen number of splits: 0 Total number of splits: 0 Tree Classifier Stage +---+---+ | 0| 1| +---+---+ 0---1 Parent node: 1 *** 1 cluster *** POS: 993 1000 0.993000 NEG: 463 0.230923 BACKGROUND PROCESSING TIME: 0.13 Precalculation time: 0.05 +----+----+-+---------+---------+---------+---------+ | N |%SMP|F| ST.THR | HR | FA | EXP. ERR| +----+----+-+---------+---------+---------+---------+ | 1|100%|-|-0.912574| 1.000000| 1.000000| 0.160027| +----+----+-+---------+---------+---------+---------+ | 2|100%|+|-1.372380| 1.000000| 1.000000| 0.298077| +----+----+-+---------+---------+---------+---------+ | 3|100%|-|-1.029186| 1.000000| 1.000000| 0.073489| +----+----+-+---------+---------+---------+---------+ | 4|100%|+|-1.168364| 0.996979| 0.796976| 0.073489| +----+----+-+---------+---------+---------+---------+ | 5| 98%|-|-0.856654| 0.996979| 0.455724| 0.049451| +----+----+-+---------+---------+---------+---------+ Stage training time: 1487.86 Number of used features: 5 Parent node: 1 Chosen number of splits: 0 Total number of splits: 0 Tree Classifier Stage +---+---+---+ | 0| 1| 2| +---+---+---+ 0---1---2 Parent node: 2 *** 1 cluster *** POS: 990 1000 0.990000 NEG: 462 0.1232 BACKGROUND PROCESSING TIME: 0.53 Precalculation time: 0.05 +----+----+-+---------+---------+---------+---------+ | N |%SMP|F| ST.THR | HR | FA | EXP. ERR| +----+----+-+---------+---------+---------+---------+ | 1|100%|-|-0.606609| 1.000000| 1.000000| 0.199036| +----+----+-+---------+---------+---------+---------+ | 2|100%|+|-0.848618| 1.000000| 1.000000| 0.199036| +----+----+-+---------+---------+---------+---------+ | 3|100%|-|-0.527684| 0.996970| 0.614719| 0.152204| +----+----+-+---------+---------+---------+---------+ | 4|100%|+|-0.781167| 0.996970| 0.623377| 0.154959| +----+----+-+---------+---------+---------+---------+ | 5| 79%|-|-1.579804| 0.997980| 0.632035| 0.112948|
そもそもの目的が、ゲーム画面から既知の駒（時には未知の駒？）を見つけ出したいわけで、顔認識ほど正確でなくてもよいし、ある程度の場所を確定してから再マッチさせるという方式がやっぱりよさそうか、と思い直している次第です。
OpenCVで学ぶ画像認識：第3回 オブジェクト検出してみよう｜gihyo.jp … 技術評論社
http://gihyo.jp/dev/feature/01/opencv/0003?page=2
にあるように、何もないところから特定のものを見つける（検出する率が低い）場合には、このような学習がよいのかもしれませんが、あらかじめ駒があるとわかっているゲームの盤上から探すには、もっと前処理をして絞り込んでもよいかなと。オブジェクト検出器の中で Ture/False の判断をするよりも、その前処理として Ture/False を大雑把に判断するロジックを挟む必要がありそうです。いちいち、駒の形状が変わるたびに、学習をさせるわけにはいかないし、学習自体にそれほど時間を掛ける意味はなさそうだし。
なので、決定木あたりかクラスタリングを使って、駒のツリー（今回は８種類程度だけど）を作るのがよいのでしょう。
のように、色味で分割で大雑把に分割ができるのは明らかなので、なんらかの特徴量を元に背景画像から抜き出した後に、相互に駒を判断するために再び特徴量を使うという2段階になるのでしょう。
そんな訳でオライリーの OpenCV を再読。
