Question

我训练了一个HAAR分类器来检测来自网络摄像头的实时视频中的手。我使用了621个阳性＆amp; 3712个底片。

我使用opencv_createsamples为正数生成vec文件： ./opencv_createsamples -vec /Users/.../positivesvec.vec -info /Users/.../positiveDesc.txt -w 20 -h 30

然后，我使用opencv_traincascade来训练分类器： opencv_traincascade -data /Users/.../hand -vec /Users/.../positivesvec.vec -bg /Users/.../negativeDesc.txt -numPos 621 -numNeg 3712 -numStages 15 minHitRate 0.999 maxFalseAlarmRate 0.5 -w 20 -h 30 -mode ALL

培训大约需要30个小时左右，我得到了一个xml文件。但是，当我使用该xml文件进行检测时，它确实非常慢（可能在3-4秒内有1帧）。

我知道我的物体检测代码是正确的，因为它适用于脸部。这就是我使用的：

trained_cascade_name = "/Users/.../cascade.xml";
if( !cascade.load( trained_cascade_name ) ){ qDebug()<<"Error loading cascade file!"; return; };
std::vector<Rect> hands;
    Mat frame_gray; // Haar works on grayscale images
    cvtColor(frame, frame_gray, CV_RGB2GRAY);
    equalizeHist(frame_gray, frame_gray);

    cascade.detectMultiScale( frame_gray, hands, 1.1, 3, 0|CV_HAAR_DO_CANNY_PRUNING|CV_HAAR_FIND_BIGGEST_OBJECT, cv::Size(30,30),cv::Size(100,100));
    CvPoint topleft, bottomright;
    for( int i = 0; i < hands.size(); i++ )
      {
        topleft.x=hands[i].x;
        topleft.y=hands[i].y;
        bottomright.x=hands[i].x+hands[i].width;
        bottomright.y=hands[i].y+hands[i].height;
        cv::rectangle(frame, topleft, bottomright, Scalar(255,0,255), 1, 8, 0);
      }

Answer 1

对于不同的物体，每个阶段产生不同数量的树木/树桩，以排除50％的误报。

选择任何地区并对其进行分类。在此过程中，检查在较低阶段调用的树/树桩数量。

也许你的级联每个阶段只有更多的树/树桩，所以它花费更多的时间来分类区域。

这只是猜测......

Answer 2

你可以为scaleFactor设置一个更高的值，你有1.1，如果你设置得更高它可能运行得更快，但它也会错过一些检测。

为什么我的haar分类器慢？

2 个答案: