我将所有阳性样本的大小调整为相同大小，因此阴性样本的阳性样本大小相同。
答案 0 :(得分：1)
通常，通过对象检测，您可以在图像上滑动固定大小的搜索窗口，从而产生特征响应。然后，分类器将响应与训练模型进行比较，并报告两者的接近程度。我们依赖于相同类型的对象将产生类似的特征响应的事实。因此，您希望每个滑动窗口中的正数据大小相同，否则响应会有所不同，您将无法获得良好的匹配。
当您对负面数据进行培训时，您将给出分类器的响应示例，这些示例通常不会有任何共同点，这就是算法学习如何对数据进行分区的方法。因为您将使用相同的滑动窗口，所以图像的大小并不重要。重要的是该窗口捕获的数据 - 它应该代表您将在运行时使用的数据。我的意思是滑动窗口不应包含太多或细节。你真的不想拍摄全景照片，将它减少到320x240，然后进行训练。您的滑动窗口将捕获太多信息。同样适用于拍摄场景的较小子集并将其吹至1280x960。现在信息太少了。
然而，尽管如此，在现实世界中，事情变得更加复杂和简单。你会遇到不同大小的物体;因此，您需要能够以不同的比例处理它们。因此，您的分类器应该跨多个尺度进行搜索，从而使图像尺寸无关紧要。请记住，它在滑动窗口中的重要性。并且：垃圾输入=垃圾输出。确保您的数据看起来不错。
修改：http://docs.opencv.org/2.4/doc/user_guide/ug_traincascade.html 但是每个图像应该（但不一定）大于训练窗口大小，因为这些图像用于将负图像子采样到训练大小。