Opencv 提高Haar培训效果的想法

请帮助我获得更多关于我第一次haar培训结果的知识。 所以我想训练Haar分类器来识别简单的笔，如下文

我用手机拍了14张钢笔画。这些图片的大小约为：263x2814
然后我收集了一些底片，其中一些是从网上下载的，尺寸为640x480，还有一些是用我的手机摄像头拍摄的，尺寸为1920x10805313x2388

有些负面图片真的很大。我总共有158张底片。
之后，创建负片和正片图像列表并运行：createsamples命令：

 perl createtrainsamples.pl positives.dat negatives.dat samples 250  "opencv_createsamples  -bgcolor 0 -bgthresh 0 -maxxangle 0.5 -maxyangle 0.5 maxzangle 0.5 -maxidev 40 -w 160 -h 20"

opencv_traincascade -data firstTry -vec samples.vec  -bg negatives.dat -numPos 250 -numNeg 99 -numStages 25 –featureType HAAR  -mode ALL -w 160  -h 20 -mem 2048

我不确定160的身高和20的身高是否合适
在获得samples.vec文件后，我使用以下命令运行级联训练：

 perl createtrainsamples.pl positives.dat negatives.dat samples 250  "opencv_createsamples  -bgcolor 0 -bgthresh 0 -maxxangle 0.5 -maxyangle 0.5 maxzangle 0.5 -maxidev 40 -w 160 -h 20"

opencv_traincascade -data firstTry -vec samples.vec  -bg negatives.dat -numPos 250 -numNeg 99 -numStages 25 –featureType HAAR  -mode ALL -w 160  -h 20 -mem 2048

我使用了相同的宽度和高度，但不确定这是否正确。我从一些参考脚本中获取了宽度和高度值。获取cascade.xml文件后，我使用以下参数在图片上运行detectMultiScale：

faces = faceCascade.detectMultiScale(   image,   scaleFactor=1.4,  minNeighbors=3,   minSize=(30, 30) )

这种检测方法效果不好。它只是检测笔的某些部分，而不是整支笔
另外，当我有一些笔放在环境中的照片时，笔并没有被检测到

我想我需要调整所有正片和负片的大小，使它们的大小相同，尽管在这个问题上不确定
你能就我在这里做错了什么以及如何改进我的成绩提供一些意见吗

---

您可以找到我的所有文件：

这些文件仅基于我自己的经验：

我认为只有当原始图像的宽度和高度相等时，createsamples才能正常工作。这是因为当createsamples旋转图像时，如果宽度和高度不同，图像会被剪切（进入正片文件夹，查看它创建的图像。你会看到。）因此我的建议是。。。如果这是您的第一次，并且您想测试createsamples（并且不知道任何其他方法），请选择宽度和高度相等的圆形或方形对象

你的负面和正面图片数量非常少。。。它应该有几千个

正如我在#1中所说的那样，您的-w-h应该相等（如果使用createsamples）。而且每次使用的次数不要超过25次（我建议20次甚至15次）。因为我经历了非常长的训练时间，但在检测方面没有太多收获（实际上，我曾经经历过较低的检测率，可能是训练时间的5到6倍）

在使用createsamples（可能是100x100）之前，将所有负片图像调整为相同大小。并将原始图像的宽度和高度调整为一半或更低（可能为50x50）

您可以在traincascade命令中更改一些重要变量，使检测效果更好，但这些变量会使培训时间过长：

-minHitRate 0.999 -maxFalseAlarmRate 0.1 -maxWeakCount 1000

请注意：如果要使用上述数字，基本上必须使用LBP而不是HAAR。HAAR具有更好的检测功能，但使用LBP时，您可以使用更好的值，因为它所需的时间更少（尽管使用这些数字和大量图像（+10000），可能仍需要几天，但使用HAAR时，我可能会在几个月后看到您）。以下是制作LBP的方法：

-featureType LBP

minHitRate越接近1越好。MaxFalseAllarmRate越低，越适合于0。最大值越高越好。
还要注意，设置得越好，需要进行的阶段就越少。您可能有一个25级级联，其性能比设置良好的6级级联差。还要注意的是，当你使用这些数字时，你的traincascade可能会被困在负面图像上（不过没关系）

此外，照明在检测中也非常重要。使用照明良好的房间以获得更好的效果

---

奇怪的是：当你想检测钢笔时，为什么要使用

faces=faceCascade.detectMultiScale

：D不要让计算机比现在更混乱：D

这些仅基于我自己的经验：

我认为只有当原始图像的宽度和高度相等时，createsamples才能正常工作。这是因为当createsamples旋转图像时，如果宽度和高度不同，图像会被剪切（进入正片文件夹，查看它创建的图像。你会看到。）因此我的建议是。。。如果这是您的第一次，并且您想测试createsamples（并且不知道任何其他方法），请选择宽度和高度相等的圆形或方形对象

你的负面和正面图片数量非常少。。。它应该有几千个

正如我在#1中所说的那样，您的-w-h应该相等（如果使用createsamples）。而且每次使用的次数不要超过25次（我建议20次甚至15次）。因为我经历了非常长的训练时间，但在检测方面没有太多收获（实际上，我曾经经历过较低的检测率，可能是训练时间的5到6倍）

在使用createsamples（可能是100x100）之前，将所有负片图像调整为相同大小。并将原始图像的宽度和高度调整为一半或更低（可能为50x50）

您可以在traincascade命令中更改一些重要变量，使检测效果更好，但这些变量会使培训时间过长：

-minHitRate 0.999 -maxFalseAlarmRate 0.1 -maxWeakCount 1000

请注意：如果要使用上述数字，基本上必须使用LBP而不是HAAR。HAAR具有更好的检测功能，但使用LBP时，您可以使用更好的值，因为它所需的时间更少（尽管使用这些数字和大量图像（+10000），可能仍需要几天，但使用HAAR时，我可能会在几个月后看到您）。这是你怎么做到的