我使用2000张裁剪面部图像（仅包含脸部）和3321张负面随机图像训练了一个新的haar级联。
我使用了命令：
opencv_traincascade -data classifier -vec samples.vec -bg negatives.txt -numStages 20 -minHitRate 0.999 maxFalseAlarmRate 0.5 -numPos 2000 -numNeg 3321 -w 80 -h 40 -mode ALL -precalcValBufSize 1024 -precalcIdxBufSize 1024
我担心培训时间只有34分钟。结果也不是很好。
我应该使用更多样品吗？使用上述参数训练分类器只需30分钟是否正常？我应该改变它们以获得更好的结果吗？
我正在使用OpenCV 2.4.7开发windows8。我使用8GN的RAM工作在一台相对较强的机器上。
提前致谢，
吉尔。
答案 0 :(得分：2)
检查你是否真的有一个20级的级联。如果您的阶段比预期的少，请检查是否因为您的样本用完了。通常，您不应该为每个阶段使用所有阳性样本。根据您的命中率，您可以拒绝每个阶段的一些阳性样本，需要补充这些样本以进行下一阶段的培训。因此，您希望您的numPos小于您拥有的阳性样本总数。
首先，您需要分析检测结果。您是否患有过多的误报，过多的假阴性或两者兼而有之？
一般来说，如果你的结果不好，你可以做几件事。
首先，确保您的负片图像相当大，并且它们包含通常与您感兴趣的对象相关的背景（面部，在您的情况下）。培训师会为每个阶段自动生成负样本。它使用已有的阶段对负片图像进行检测。无论它检测到什么，根据定义都是误报，而那些被用作下一阶段的否定。
更多数据通常是个好主意。因此，如果您有15K肯定，请尝试添加更多。如果您的探测器错过很多面孔，这可能非常有用。
如果您看到太多错误警报，那么您应该尝试降低分类器的整体误报率。由于您有这么多数据，您可以通过增加阶段数来尝试这样做。或者，您可以降低每个阶段的最大误报率。这意味着每个阶段都必须更加复杂，并且需要更长的时间进行训练。
您还可以尝试不同的功能。您现在可以选择Haar，LBP和HOG。与哈尔相比，LBP和HOG的训练时间和记忆要少得多。然而，HOG可能不太适合面孔。
答案 1 :(得分：2)
我的答案可能已经很晚了。但是为了别人的利益，无论如何我都会发布它;
首先，我很惊讶培训花了这么短的时间。特别是因为你的样品非常大。 80x40真是太棒了！我自己通常训练样本大约20像素的最大尺寸。在你的情况下22x11会好的。随着样本量的增加，训练时间几乎逐渐增加。
接下来，2000年的积极因素应该会很好。也就是说，如果它们不太相似。最好的样本与您想要检测的样本有很大差异。删除非常相似的样本。它们会对探测器的质量产生负面影响。
然后，3000负数有点偏低。大约6000个负面因素给了我很好的结果。但是，再一次，让负面情况大不相同会更好。拥有很多细节的负片也更好。明亮的蓝天图片不能很好地工作。如果你不能轻易得到那么多的底片，你也可以呈现你所拥有的那些副本。
最后，我越是想到它，我就越相信你做错了什么。在短短34分钟内完成2000个80x40样品的20个阶段？没门！你真的在那个载体文件中有2000个阳性吗？
问候并祝你好运！