Question

对OpenCV来说很陌生，并尝试训练一个可以从侧面检测狗的图像的haar分类器。我使用this教程作为指导。作者建议使用数量惊人的样本图像训练相对有效的分类器。根据他的指示，我收集了40个正面和600个负面，然后使用提供的脚本以.vec文件的形式生成更多样本。训练花了大约一个半星期到20个阶段，具有以下参数：

<?xml version="1.0"?>
<opencv_storage>
<params>
  <stageType>BOOST</stageType>
  <featureType>HAAR</featureType>
  <height>64</height>
  <width>80</width>
  <stageParams>
    <boostType>GAB</boostType>
    <minHitRate>9.9900001287460327e-01</minHitRate>
    <maxFalseAlarm>5.0000000000000000e-01</maxFalseAlarm>
    <weightTrimRate>9.4999999999999996e-01</weightTrimRate>
    <maxDepth>1</maxDepth>
    <maxWeakCount>100</maxWeakCount></stageParams>
  <featureParams>
    <maxCatCount>0</maxCatCount>
    <featSize>1</featSize>
    <mode>ALL</mode></featureParams></params>
</opencv_storage>

在最后阶段，Neg计数接受率降至0.000579 - 我认为这意味着0.0579％的阴性样本被错误地归类为阳性，即当他们没有时将其中有狗。换句话说，99.942％的样本被正确识别。这对我来说似乎是非常好的数字，但是当我将分类器.xml文件插入到面部检测程序中时，结果非常糟糕。

这是用于分析完全黑色图像的分类器的照片（设备的相机平放在工作台上以防止任何光线进入）：

（想象一个黑色的屏幕，其中有几个绿色矩形边框随机定位，有些重叠。可悲的是，似乎我没有必要的声誉来发布真实的东西......）< / EM>

我对修正分类器的最佳猜测是，我需要重新培训更多的负面和正面样本池。

我真正想知道的是：为什么验收比率和分类器的真实性能如此不同？我误解了接受率的含义吗？如果我对比率的理解是正确的，我应该期待什么样的数字会给我一个有效的分类器？

非常感谢任何帮助。

Answer 1

当测试接受率远低于列车接受率时，有两种可能性：

训练样本（正片和负片）与测试样品有很大不同。在这种情况下，您应该增加样本数，以获得更好的训练分类器的泛化能力。
学习的分类器过度使用：在这种情况下，学习阶段达到的接受率非常小（1e-6的顺序）。通常当正样本和负样本数量较少时（与阶段数相比），就会出现这个问题。因此，您可以通过减少阶段数量或增加倾斜样本数量（正面和负面）来避免过度拟合。

您可以检查两种可能性。我建议你测试其他功能提取方法，如HOG和LBP。为此，您只需将featureType更改为 HOG 或 LBP 。

正样本和负样本的数量取决于样本的多样性。这意味着如果您的外观有很大变化的对象（在测试图像中），您需要增加正样本数（> 500）以涵盖所有可能的外观（负样本相同）。

不要忘记更改用于测试图像的输入参数（min-neighbor，scale，minSize和maxSize）。

OpenCV：良好的训练输出但是级联分类器很差

1 个答案: