OpenCV:良好的训练输出但级联分类器很差

Question

对 OpenCV 很陌生，正在尝试训练一个可以从侧面检测狗图像的 haar 分类器。我用过this教程作为指南。作者建议可以使用少得惊人的样本图像来训练相对有效的分类器。按照他的指示，我收集了 40 个阳性样本和 600 个阴性样本，然后使用提供的脚本以 .vec 文件的形式生成更多样本。使用以下参数进行 20 个阶段的训练大约需要一周半的时间:

<?xml version="1.0"?>
<opencv_storage>
<params>
  <stageType>BOOST</stageType>
  <featureType>HAAR</featureType>
  <height>64</height>
  <width>80</width>
  <stageParams>
    <boostType>GAB</boostType>
    <minHitRate>9.9900001287460327e-01</minHitRate>
    <maxFalseAlarm>5.0000000000000000e-01</maxFalseAlarm>
    <weightTrimRate>9.4999999999999996e-01</weightTrimRate>
    <maxDepth>1</maxDepth>
    <maxWeakCount>100</maxWeakCount></stageParams>
  <featureParams>
    <maxCatCount>0</maxCatCount>
    <featSize>1</featSize>
    <mode>ALL</mode></featureParams></params>
</opencv_storage>

在最后一个阶段，负计数接受率下降到 0.000579 - 我认为这意味着 0.0579% 的负样本被错误地归类为正样本，即在没有狗的情况下有狗。换句话说，99.942% 的样本被正确识别。这些数字对我来说似乎相当不错，但是当我将分类器 .xml 文件插入面部检测程序时，结果很糟糕。

这是用于分析全黑图像的分类器的图片(设备的摄像头平放在工作台上以防止任何光线进入):

(想象一个黑色屏幕，有几个随机放置的绿色矩形边框，有些重叠。可悲的是，我似乎没有必要的声誉来发布真实的东西......)

我对修复分类器的最佳猜测是我需要使用更大的负样本和正样本池进行再训练。

我真正想知道的是:为什么 Acceptance Ratio 和分类器的实际表现如此不同？我是否误解了接受率的含义？如果我对比率的理解是正确的，我应该期望什么样的数字才能给我一个有效的分类器？

如有任何帮助，我们将不胜感激。

Answer 1

当test acceptance Ratio比train acceptance ratio差很多时，有两种可能:

1. 训练样本(正样本和负样本)与测试样本有很大不同。在这种情况下，您应该增加样本数量以获得更好的训练分类器的泛化能力。
2. 学习的分类器过度拟合:在这种情况下，学习阶段实现的接受率非常小(1e-6 的数量级)。通常当正样本和负样本的数量较少(与阶段数相比)时，就会出现这个问题。因此，您可以通过减少阶段数或增加学习样本(正负样本)的数量来避免过拟合。

您可以检查这两种可能性。我建议您测试其他特征提取方法，例如 HOG 和 LBP。为此，您只需将 featureType 更改为 HOG 或 LBP。

正负样本的数量取决于样本的多样性。这意味着如果你有一个外观变化很大的对象(在测试图像中)，你需要增加正样本的数量(>500)以覆盖所有可能的外观(负样本是相同的)。

不要忘记更改用于图像测试的输入参数(min-neighbor、scale、minSize 和 maxSize)。