Opencv 训练级联分类器检测纸张

我试图训练一个级联分类器来检测窗户上的纸张（8.5“x11”）。基本上，我是在根据纸测量窗户的宽度和高度。一旦我检测到纸张，我可以通过简单的比率计算得到窗口的宽度和高度（因为纸张大小是固定的）

我试着只用普通纸，但运气不好。它可以检测纸张，也可以检测一些随机物体。这并不太可靠，训练只花了31分钟。阳性样本来自15张不同的纸张图片（裁剪）。负片样本为300x300窗口图像。 参数：-numStages 1-nsplits 2-minHitRate 0.995-maxFalseArmrate 0.9-numPos 400-numNeg 400-w 62-h 80

现在我尝试检测相同的纸张大小，但上面有打印对象（以提供一些图案）。基本上，我打印了一个大的Android徽标，并尝试训练级联分类器来检测它。以下是我的参数： -numStages 1-nsplits 2-最小命中率0.995-最大错误报警率0.9-numPos 890-numNeg 890-w 62-h 80 （负片图像的分辨率为150x150像素）

所以我得到了比普通纸更好的结果。我尝试将一些阳性样本（由opencv_createsamples生成）输入到级联分类器中，它以高精度检测纸张（打印的Android）。当我输入一张真实的图片（安卓纸张窗口的图片）时，问题就出现了，分类器根本检测不到纸张

请注意，当我输入真实图像时，我将其大小调整为150x150，因此要检测的对象（纸张）变得更小（约为31x40），我尝试将最小尺寸参数（在detectMultiScale中）设置为31x40

此外，当我尝试增加阶段的数量时，无论我如何使用-minHitRate和-maxfalsalarmrate参数进行实验，它都会给我一个“所需的叶虚警率”错误。即使这两个参数设置为非常低的值（分别为0.3和0.3）

你们有什么建议吗？你认为我还应该尝试什么？我在想，用更复杂的模式对系统进行再培训，会有帮助吗？我只是需要一些意见，因为我已经训练了我的分类器3周，尝试了50多次不同的参数和图像大小。我只是累了，没有办法尝试

---

提前感谢。

在训练时记住以下几点，你应该会取得好的成绩-

仅指定没有的参数，例如

-numPos
-numNeg

将默认值用于其他参数，如

-minHitRate
-最大错误报警率
-重量比率
-最大深度
-maxWeakCount

成功生成分类器后，就可以使用其他值了

获取大量原始正样本和负样本，而不是使用opencv_createsamples从少量样本创建它们，因为反复使用相同样本训练分类器不会提高其准确性。还要注意，

-numPos

不是.vec文件中存在的阳性样本总数。相反，它是输入分类器训练每个阶段的正样本数量，因此该数量应略小于正样本总数

级联分类器的特点是使用一系列弱分类器，以较低的计算代价提供良好的分类效果。因此，通过足够数量的阶段来训练分类器是非常重要的，否则它将无法工作

检查系统上的可用内存（RAM）量，并相应地指定以下参数-

-预制尺寸
-预钙化

所以，如果你有1GB的空闲内存，你可以把它分成两半。请记住，不应消耗所有可用内存，否则系统可能会出现故障，或者培训可能因内存不足而提前终止

---

进一步阅读：

我认为使用轮廓分析可以轻松实现您想要的结果。给出一个示例图像，让我们来看看tryHi sturkmen。实际上，找到轮廓是我的第一个实现。这种方法非常有效，直到纸被放在带有白色边框的窗口角落。纸的白色与白色边框混合。这就是为什么我想尝试级联分类器来解决“白边界”问题。问题是，除了白纸（部分要求）之外，我不能使用任何其他颜色。你说你在纸上印了一个徽标。您可以打印一个轮廓分析很容易找到的形状，也可以打印一个棋盘。您可以通过“findChessboardCorners”功能轻松找到棋盘这些都是非常好的建议！我没有想到这一点，因为我太专注于使级联分类器无法工作。我将尝试你提出的这两种解决方案，并更新我得到的任何结果！非常感谢斯特克曼！嗨，克拉克克，谢谢你的详细建议。我已经尝试了你提到的所有东西，除了有很多正面图像（不是由createsamples生成的）。但是，因为我只使用一种图像（在本例中，是带有打印android的白皮书），无论我拍摄了多少“真实”正面图像，它们都将是相同的（只是随着光强度的变化），我认为createsamples的结果就足够了。如果我决定继续使用这个级联分类器解决方案，我会记住你的建议。非常感谢@我在训练中也遇到了类似的问题。实际上，这个想法是要有很多样本，这样分类器至少可以训练10个阶段。如果没有这些，我想你不会注意到任何明显的效果