opencv - 我需要关于我的训练集的 opencv_traincascade 参数的建议

Question

我有两个数据集:第一个是 340 张大小为 440x200 的图像，每张图像上都有大小在 9x10 像素和 25x15 像素之间的对象。我有一组大约 570 张大小为 440x200 的负片。我使用这些参数进行训练:-numPos 250 -numNeg 22000 -w 10 -h 10 --numStages 24 --minHitRate 0.995 -maxFalseAlarm -maxDepth 20 -maxWeakCount 600 -mode ALL

我根据之前标记的图像创建了我的集合。

我还尝试了 -numPos 320 和 300。第一次它在 4 阶段 (-numPos 320) 以错误“阳性样本计数不足”结束。我用 -numPos 300 在同一个级联上重新运行训练。它给了我另一个阶段并因同样的错误而失败。第三次我选择 -numPos 250 并且它落在 2 Stage 并且 FalseAlarmRate 在 1 Stage 是 0!但在第二阶段 0.028。

所以我很乐意听到有关这方面的任何建议，但我的问题是:用这些小的正样本集训练级联是不可能的？但即使在第一阶段，它也会给我非常小的 FalseAlarmRate。所以它可以成为一个很好的分类器？

Answer 1

对于你的第一个问题:-

目前尚不清楚实际需要每种图像的数量。它也真的取决于你想要检测的对象，它到底有多复杂。不过也有可能，我们举个例子，这个网站实验用了40个正样本和600个负样本，http://coding-robin.de/2013/07/22/train-your-own-opencv-haar-classifier.html .

但是，越是复杂的物体，我想你会需要训练更多的正负图像。如果我没记错的话，大约 3 到 4 年前我做的一个手部检测项目，需要大约 800 多张正图像，几乎是负图像的 2 倍，然后我的 friend 和我对检测率感到满意。

基本上，训练的图像越多，对象检测就越准确。

你的第二个问题:

您必须注意的一件事是分类器的误报率至少与检测率一样重要。通常当一对一误报率没有严格控制时，整体分类器是无法使用的。

另请注意，在大多数情况下，误报错误率大于检测错误率，这使得误报率成为设计分类器时难以最小化的标准。

尝试通过以下方式理解:- http://www.uic.edu/classes/idsc/ids572cna/Model%20evaluation.pdf另一个更容易理解和学习如何用更多文本训练分类器: http://note.sonots.com/SciSoftware/haartraining.html

所以当你问:“即使在第一阶段，它也给我非常小的 FalseAlarmRate。所以它可以成为一个很好的分类器？”，我的回答是为什么不呢？

此外，如果可能，请尝试将负面图像增加到正面图像的两倍。这是我一直在做的事情。

希望我的回答对您有所帮助。祝你好运。如果有任何问题，请随时发表评论。