我正在尝试创建训练样本（并随后训练分类器）。我对在创建样本和traincascade中使用的-h和-w参数感到困惑。我看到的例子通常使用较小的值，但我的训练图像（负面和正面）明显更大（480x640），我训练的对象通常占据图像的75-100％。似乎这些参数不是询问图像的大小（它可以简单地从图像中拉出），但我怀疑它也不是要求图像中对象的大小。如果我不得不猜测（我宁愿不这样做），较大的尺寸可能会带来更好的检测精度，但会增加训练期间的计算量。
有人可以描述这些参数究竟意味着什么吗？我见过的大多数例子都使用24x24的默认值或40x40以上的默认值，但就我所见，它的值绝不会高得多。
答案 0 :(得分：8)
这些小图像值是您想要训练分类器的正面（对象）。真实帧中的对象可能具有任意大小，因为级联分类器适用于图像的各种比例。
Here是一个很好的教程，在我训练自己的分类器时帮助了我。用于训练的裁剪图像可能会更大，但是当您运行createsamples时，您需要指定正面纹理缩放的大小。这些新的微小样本是用于分类器的样本。这也影响了级联分类器的速度，这就是它们通常很小的原因。
如果我没有弄错的话，背景图片的尺寸可能会更大，但我记得我还在剪裁我的小块背景图片。
当您使用真实的640x480数据运行分类器时，您可以指定正数可以具有的最小大小限制（当然这个值应该至少 -w -h的大小你之前指定的）以及最大预期大小。
haar探测器将仅搜索测试图像中可以大小的窗口范围内的对象。