我正在使用traincascade实用程序在OpenCV中使用LBP功能创建头部探测器。我希望，头部探测器会产生类似于由Vladim Pivarevsky创建的OpenCV的轮廓面。我想重新创建模型，因为当前模型只处理正面和左侧面。
我关注Naotoshi Seo tutorial并使用Irshad Ali website中的数据集。不幸的是，由于大量的错误检测，结果模型执行缓慢。
列车运行如下：
opencv_traincascade -data "data" -vec "samples.vec" -bg "out_negatives.dat" -numPos 26000 -numNeg 4100 -numStages 16 -featureType LBP -w 20 -h 20 -bt GAB -minHitRate 0.995 -maxFalseAlarmRate 0.3 -weightTrimRate 0.95 -maxDepth 1 -maxWeakCount 100 -maxCatCount 256 -featSize 1
我尝试使用其他数据集，现在来自http://fei.edu.br/~cet/facedatabase.html的正面，但结果仍然相同：检测速度慢，误报很多。
任何人都有创建级联haar / lbp模型的知识或经验吗？请提出任何建议，以便提高模型的准确性。我尝试使用OpenCV内置模型，结果很好（lbpfrontalface.xml）。非常感谢你！
答案 0 :(得分：3)
最好的方法是“试错”......你真的需要不同的面孔，而且差异越大越好。您可以拍摄一张脸，并通过创作样本做多张脸。但是这样，你永远不会有好的级联。您应该有许多不同的面孔，如果它们不够，您可以通过创建样本来增加它们。例如，你有500个不同的面孔，你可以使用5000创建样本，那么也许级联会让你满意。
关于开始训练：多多积极:)或太少负面。你需要例如5000 pos和2500 neg（pos = 2 * neg）。至少在我的情况下，这是最好的选择。
答案 1 :(得分：2)
简而言之，在建模阶段1之后获得大量误报是正常的。您需要将这些误报并将其添加到负数据集并重复建模（阶段2）。这被称为硬负采矿。这很重要。您可以通过将它们逐渐旋转360度来乘以误差。
其他三个要点：1）opencv_createsamples对于脸部不好; 2）使用具有挑战性的负面因素（合适的）; 3）LBP在许多情况下是第二速率。
面部相当对称，在拍摄时不会出现类似失真的梯形。如果必须，使用非常小的角度，如0.02弧度。此外，当您查看.vec文件中的图像时，您会发现扭曲边缘周围的背景填充看起来非常不自然。
不仅负数的数量很重要，而且负数的质量也很重要。与许多负面图像（例如树木，落基山脉等）相比，面部是平滑的，因此在远处区分面部与松树相对容易。但是，你会从像墙壁这样的光滑表面上得到很多误报。最好在负数据集中包含具有挑战性的图像。我发现最好的背景是光滑的彩绘石膏板墙的图像。沿着一些墙壁走一段视频，用ffmpeg把它切成一堆图像。同样，您可以通过将它们逐渐旋转360度来乘以这些底片，然后再次翻转和旋转。
要耐心，使用HAAR而不是LBP。
AI现在风靡一时，只需将100,000个未剪切的图像分成相应类的文件夹，然后开始训练你的模型。但是，您可能会发现此方法只能获得98-99％的正确分类率。方式太多误报。如上所述（无论是使用HAAR级联还是神经网络），您将获得更好的结果，而且数据少得多。这是真正的数据科学工作：精明的负面和正面数据集选择以及定义边界框的耗时工作。
答案 2 :(得分：1)
它会很慢，相对于它从20x20开始并搜索整个图像然后变得稍大，再次搜索等等 - 尝试增加样本大小以减少运行时间。
我也注意到你没有任何接近bg图像的正面。尝试增加至少与你的积极相同，这应该有所帮助。
我建议也要解决haar功能，看看是否能给你带来任何结果。
在不查看输入数据的情况下其他一切似乎都很好
答案 3 :(得分：0)
对于任何挣扎于薄片阳性的人。 在类CvCascadeImageReader :: NegReader和方法get和nextImg
上查看文件traincascade/imagestorage.cpp。我必须重写取负样本的逻辑。 当产生软底片时，它们会按比例缩放从背景图像中以原始方式逐步缩小。 在我的情况下，只能使用窗口大小/序列大小从此底片中随机剪切背景样本。
在我的情况下，由于将较大比例的软样本缩放到一个小窗口中，因此训练被停止得很早，因为它总是模糊的负样本，并且FA通过了与后来级联检测到的真实图像相反的