C++ openCV c++；：使用CvBoost（Adaboost Classifier）时出现问题

我正在创建一个应用程序，用于在城市环境的图像中对人类进行分类

我以以下方式培训一名分级员：

int main (int argc, char **argv)
{

/* STEP 2. Opening the file */
//1. Declare a structure to keep the data
  CvMLData cvml;
//2. Read the file
  cvml.read_csv ("directory/train_rand.csv");
//3. Indicate which column is the response
  cvml.set_response_idx (0);

/* STEP 3. Splitting the samples */
//1. Select 4000 for the training
  CvTrainTestSplit cvtts (4000, true);
//2. Assign the division to the data
  cvml.set_train_test_split (&cvtts);

  printf ("Training ... ");
/* STEP 4. The training */
//1. Declare the classifier
  CvBoost boost;
//2. Train it with 100 features
  boost.train (&cvml, CvBoostParams (CvBoost::REAL,100, 0, 1, false, 0),
           false);

/* STEP 5. Calculating the testing and training error */
// 1. Declare a couple of vectors to save the predictions of each sample
  std::vector<float> train_responses, test_responses;
// 2. Calculate the training error
  float fl1 = boost.calc_error (&cvml, CV_TRAIN_ERROR, &train_responses);
// 3. Calculate the test error
  float fl2 = boost.calc_error (&cvml, CV_TEST_ERROR, &test_responses);

  cout<<"Error train: "<<fl1<<endl;

  cout<<"Error test: "<<fl2<<endl;

/* STEP 6. Save your classifier */
// Save the trained classifier
  boost.save ("./trained_boost_4000samples-100ftrs.xml", "boost");

  return 0;
}

对于我的实际问题，我使用了100个特性和8000个示例。我用一半的数据训练分类器，用剩下的数据测试分类器

经过培训后，我得到了大约5%的测试错误（这对于100个特性来说非常好）

现在我想在新数据中使用分类器：

CvBoost boost

boost.load("directory/trained_boost_4000samples-100ftrs.xml");

float x = boost.predict(SampleData,Mat(),Range::all(),false,false);
cout<<x;

CvBoost
load（“directory/trained_boost_4000samples-100ftrs.xml”）；
float x=boost.predict（SampleData，Mat（），Range:：all（），false，false）；
cout我通过调整。唯一的诀窍是确保有足够的样本数据（>=11）

发件人：

注意：由于一个非常奇怪的原因，OpenCV实现不能使用少于11个样本

//训练数据
浮动标签[11]={1.0,1.0，-1.0，-1.0，-1.0，-1.0，-1.0，-1.0，-1.0，-1.0}；
Mat标签Mat（11，1，CV_32FC1，标签）；
浮动训练数据[11][2]={
{501, 10}, {508, 15},
{255, 10}, {501, 255}, {10, 501}, {10, 501}, {11, 501}, {9, 501}, {10, 502}, {10, 511}, {10, 495} };
Mat培训数据Mat（11,2，CV_32FC1，培训数据）；
//建立支持向量机的参数
CvSVMParams参数；
params.svm_type=CvSVM:：C_SVC；
params.kernel_type=CvSVM:：LINEAR；
参数term_crit=CVTerm标准（CVTerm crit_ITER，100，1e-6）；
//训练支持向量机分类器
支持向量机；
训练（训练数据表，标签表，表（），表（），参数）；
//训练增压分类器
CvBoost-boost；
增压列车（列车数据垫，
CV_行_样本，
标签纸）；
//测试分类器
Mat testSample1=（Mat_u1;（1,2）我找不到任何关于训练数据格式的文档。您确定第一列是标签吗？我看到的示例也使用实数作为标签，您能将
B
/
R
映射到
-1.0
/
1.0
？
CvBoost boost

boost.load("directory/trained_boost_4000samples-100ftrs.xml");

float x = boost.predict(SampleData,Mat(),Range::all(),false,false);
cout<<x;

// Training data
float labels[11] = { 1.0, 1.0, -1.0, -1.0, -1.0, -1.0, -1.0, -1.0, -1.0, -1.0, -1.0};
Mat labelsMat(11, 1, CV_32FC1, labels);

float trainingData[11][2] = {
    {501, 10}, {508, 15},
    {255, 10}, {501, 255}, {10, 501}, {10, 501}, {11, 501}, {9, 501}, {10, 502}, {10, 511}, {10, 495} };
Mat trainingDataMat(11, 2, CV_32FC1, trainingData);

// Set up SVM's parameters
CvSVMParams params;
params.svm_type    = CvSVM::C_SVC;
params.kernel_type = CvSVM::LINEAR;
params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

// Train a SVM classifier
CvSVM SVM;
SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

// Train a boost classifier
CvBoost boost;
boost.train(trainingDataMat,
            CV_ROW_SAMPLE,
            labelsMat);

// Test the classifiers
Mat testSample1 = (Mat_<float>(1,2) << 251, 5);
Mat testSample2 = (Mat_<float>(1,2) << 502, 11);

float svmResponse1 = SVM.predict(testSample1);
float svmResponse2 = SVM.predict(testSample2);

float boostResponse1 = boost.predict(testSample1);
float boostResponse2 = boost.predict(testSample2);

std::cout << "SVM:   " << svmResponse1 << " " << svmResponse2 << std::endl;
std::cout << "BOOST: " << boostResponse1 << " " << boostResponse2 << std::endl;

// Output:
//  > SVM:   -1 1
//  > BOOST: -1 1