2013-10-11 27 views
1

我有兩個數據集:第一個是340x200的圖像大小,每個圖像上的大小在9x10 px和25x15 px之間。而且我有一個關於440x200的570張圖片大小的負面設置。 我跑的訓練與這些PARAMS: -numPos 250 -numNeg 22000 -w 10 -h 10 --numStages 24 --minHitRate 0.995 -maxFalseAlarm -maxdepth 20 -maxWeakCount 600 -mode ALL我需要關於opencv_traincascade params參數的建議我的訓練集

我創建了一套從previosly標記圖像。

我也嘗試了-numPos 320和300.第一次以4階段(-numPos 320)的錯誤「陽性樣本數不足」結束。我使用-numPos 300重新運行同樣的級聯訓練。它給了我另一個階段,並且有相同的錯誤。 第三次我選擇-numPos 250,它在2階段和FalseAlarmRate在1階段是0!但在第二階段0.028。

所以我很樂意聽到關於這方面的任何建議,但是我的問題是: 用這些小的陽性樣本來訓練級聯是不可能的? 但即使在第一階段,它也給我非常小的FalseAlarmRate。所以它可以是一個很好的分類器?

回答

3

關於第一個問題: -

目前還不清楚到底有多少各種圖像的實際需要。它也取決於你想檢測的對象,它究竟有多複雜。儘管如此,我們舉個例子,本網站實驗中使用了40個正面樣本和600個負面樣本,http://coding-robin.de/2013/07/22/train-your-own-opencv-haar-classifier.html

然而,對象越複雜,我認爲你需要培養更多的正面和負面形象。如果我沒有記錯的話,我的朋友和我對檢測率感到滿意之前,我大約需要3到4年才做出的手部檢測項目需要大約800張正面圖像和幾乎2倍負面圖像。

基本上,您訓練的圖像越多,對象檢測的準確度就越高。

你的第二個問題:

一個必須注意的是分類的誤報率至少爲檢出率一樣重要。通常,當一對一虛警率未被嚴格控制時,整體分類器將無法使用。

另請注意,在大多數情況下,虛警率誤差率大於檢測錯誤率,使虛警率成爲設計分類器時最小化的困難標準。

嘗試通過理解這一點: - http://www.uic.edu/classes/idsc/ids572cna/Model%20evaluation.pdf 和另外一個更容易理解和學習如何與更多的文本訓練的分類:當你問 http://note.sonots.com/SciSoftware/haartraining.html

所以說:「這給我很小FalseAlarmRate甚至在第一階段。所以它可以是一個好的分類器?「,我的答案將是爲什麼不是?

此外,如果可能的話,嘗試將負面圖像增加到正面圖像的兩倍。這是我總是這樣做的。

希望我的回答我幫你。祝你好運。如果有的話,隨時發表評論。