1

我训练了一个 HAAR 分类器来检测来自网络摄像头的实时视频馈送中的手。我使用了 621 个正片和 3712 个负片。

我使用 opencv_createsamples 为阳性生成 vec 文件： ./opencv_createsamples -vec /Users/.../positivesvec.vec -info /Users/.../positiveDesc.txt -w 20 -h 30

然后，我使用 opencv_traincascade 来训练分类器： opencv_traincascade -data /Users/.../hand -vec /Users/.../positivesvec.vec -bg /Users/.../negativeDesc.txt -numPos 621 - numNeg 3712 -numStages 15 minHitRate 0.999 maxFalseAlarmRate 0.5 -w 20 -h 30 -mode ALL

培训花了大约 30 个小时左右，我得到了一个 xml 文件。但是，当我使用该 xml 文件进行检测时，它确实非常慢（可能在 3-4 秒内 1 帧）。

我知道我的对象检测代码是正确的，因为它非常适合人脸。这就是我使用的：

trained_cascade_name = "/Users/.../cascade.xml";
if( !cascade.load( trained_cascade_name ) ){ qDebug()<<"Error loading cascade file!"; return; };
std::vector<Rect> hands;
    Mat frame_gray; // Haar works on grayscale images
    cvtColor(frame, frame_gray, CV_RGB2GRAY);
    equalizeHist(frame_gray, frame_gray);

    cascade.detectMultiScale( frame_gray, hands, 1.1, 3, 0|CV_HAAR_DO_CANNY_PRUNING|CV_HAAR_FIND_BIGGEST_OBJECT, cv::Size(30,30),cv::Size(100,100));
    CvPoint topleft, bottomright;
    for( int i = 0; i < hands.size(); i++ )
      {
        topleft.x=hands[i].x;
        topleft.y=hands[i].y;
        bottomright.x=hands[i].x+hands[i].width;
        bottomright.y=hands[i].y+hands[i].height;
        cv::rectangle(frame, topleft, bottomright, Scalar(255,0,255), 1, 8, 0);
      }
4

2 回答 2

1

对于不同的对象，每个阶段生成不同数量的树/树桩，以拒绝 50% 的误报。

选择任何区域并对其进行分类。在此过程中，检查在较低阶段调用了多少树/树桩。

也许你的级联每个阶段只有更多的树/树桩，所以它需要更多的时间来对一个区域进行分类。

这只是一个疯狂的猜测......

于 2014-04-08T10:40:57.380 回答
0

您可以为 scaleFactor 设置更高的值，即 1.1，如果将其设置得更高，它可能会运行得更快，但它也会错过一些检测。

于 2015-02-09T09:31:33.393 回答