我训练的 Haar 分类器的 OpenCV 性能不佳答案

【问题标题】：OpenCV poor performance of Haar classifier trained by me我训练的 Haar 分类器的 OpenCV 性能不佳
【发布时间】：2017-12-10 23:55:26
【问题描述】：

我想使用 Haar 分类器来检测场景中是否存在车辆（目前仅尝试使用汽车）。由于我在网上没有找到很多经过训练的 XML 文件，所以我决定自己生成。

我发现了一些用于类似目的（训练计算机视觉算法）的车辆图像集，并使用它们创建了我自己的 XML 文件。已经快一周了，其中一些已经完成，所以我尝试使用它们，但结果很糟糕。我在网上找到的分类器工作得很好，至少看起来他们正在尝试检测车辆并以足够快的速度进行实时应用（可能是 5-10 FPS 左右）。

而我的使用 detectMultiScale() 使用相同的参数来分析帧可能需要几分钟，如果我传递不同的参数（例如增加最小尺寸、减小最大尺寸、增加缩放因子），它会运行得更快（可能 1 FPS ) 但绝对没有检测到任何值得注意的东西，从未检测到任何车辆，并且随机检测到一些沥青点作为车辆。

我在生成文件时哪里出错了？我完成这项任务的时间有限，而且这些分类器可能需要整整一周的时间来训练，所以我剩下的尝试很少。作为参考，我的方法是（遵循this 教程）：

-取所有正负图像；如果没有提供负片图像，则从另一个数据集中获取负片图像，至少与正片一样多的负片

-生成与正数一样多的样本

-使用与建议相同的参数，除了图像大小（设置为给定数据集中图像的大小）和 nstages（设置为 10，因为 20 耗时太长）

-对于npos参数，我使用样本数的1/10，使用完整的样本数导致几个小时后“断言失败”，显然样本数不能与npos相同this 所以我给了自己一个安全边际。

TL；我自己训练的 DR Haar 分类器的性能比网上找到的要差得多（在时间和准确性方面），需要有关如何改进它的建议，而不是浪费一周的时间来训练它。

【问题讨论】：

npos 应该是 20 个阶段的阳性样本的 90% 左右，minHitRate 为 0.995。那个 yozr 分类器需要这么多 timr 来检测是一个提示，因为过采样而过于复杂。你能发布一些你的阳性样本吗？
我在 Github 上找到了一个 project，它似乎完全符合您的要求，基于此 post。显然，它提供了一个cars.xml 文件，用于训练算法。

【解决方案1】：

这里有两个问题。一、分类器的准确率低。另一个，分类器运行太慢了。

您使用的参考似乎没有问题。这些步骤看起来很准确，我亲自按此顺序尝试过，并取得了不错的效果。

正如@Micka 所提到的，大约 90% 的原始样本数的 nPos 就足够了。 minHitRate 是一个可以更改的参数。您是否观察到训练时显示的数字？准确率如何提高，您的分类器是否停止训练（或者您是否在学习结束前使用训练好的参数？）？

对于检测速度慢，最可能的原因是您的训练数据没有快速学习的简单特征。您是否尝试对用于训练的数据进行检测？在那种情况下结果如何？编译器设置或高图像分辨率也可能是一个问题，但如果您尝试使用其他分类器使用相同的输入和设置，则不太可能。

如果您想尝试不同的方法（并拥有 GPU），YOLO V2 应该更快、更准确地完成这项任务。

【讨论】：