问题标签 [viola-jones]

Viola-Jones 人脸检测使用 adaboost 方法训练强分类器。我对 beta 参数更新策略感到困惑：

为什么选择这样的beta值？设置变量的目的beta是增加Weights的权重。如何选择：

我想使用FDDB来评估一些人脸检测器，包括 OpenCV。但是FDDB的检测输出文件需要：

它包括一个detection_score部分。但是opencv的检测器没有这样的输出。这个怎么输出？

例如，我必须测量面部检测器的结果，并且在 Viola-Jones 等文章中发现，用于此测量的最常用的统计曲线是 ROC 曲线。但我找不到任何方法在 GNU/Linux 上绘制 ROC 曲线，只能在 MATLAB 中，但显然我不会购买它来仅使用 plotroc 函数。

我在 OCTAVE 上搜索了它，但找不到它……有没有办法绘制一条 ROC 曲线？例如使用 Python ......？

例如，我想衡量真阳性和假阳性。

我正在尝试训练一个 Haar 分类器，但是在Stage 2它停止时显示消息Killed

我用来运行的命令如下：

这是什么原因造成的？

注意：我正在按照此处给出的教程进行操作（用不同数量的不同对象替换图像）。

我目前正在开展一个探索各种人体检测方法的项目。为了制定比较基线，我希望使用几种标准检测方法（即 HOG 与 SVM，Viola-Jones）。当我使用 Caltech Pedestrian Dataset ( http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/ ) 进行测试时，我在 Matlab 中完成所有工作以利用他们的附加工具箱。

我目前被困在 Viola-Jones 问题上。检测器评估工具需要 [frame, x, y, h, w, score] 来生成检测器的 ROC 曲线。我曾计划将 CascadeObjectDetector 与 OpenCV 训练的 fullbody.xml 模型一起使用，代码如下：

然而，检测器只给出边界框的值而没有得分。是否有一些工作可以为级联分类器生成 ROC 曲线？还是可以提供所需结果的另一种实现方式？

我正在尝试学习级联分类器来学习车牌。我在具有 16 GB RAM 和 3.4 GHz 的 i7 处理器的 Windows 7 服务器上运行 OpenCV 2.4.9。我想训练分类器，但它从不连续第 3 阶段。

这就是我在 xxxx 上制作我的 .vec 文件的方式，里面有个人信息：

参数：

从命令：

如果需要查看文件，我将编辑额外的。我试图改变 numStages 的正负值。更改目录路径等。在线有关于此的问题，我尝试过没有解决的解决方案。

检测汽车拖车非常困难。有很多汽车拖车的车牌与汽车本身相同。为了检测它是否是拖车，我需要在车牌周围的区域进行搜索。我已经和 Viola 和 Jones 一起为车牌制作了检测器。只是为了检测三角形在哪里，你在图像上看不太清楚。来自部分的图像在白天控制了很多不同的阈值。

为了隐私，我必须删除车牌详细信息

所以我的问题是有没有特殊的图像处理方式可以帮助你充分发挥。我想过：

但最大的困难是应用程序需要是实时的。

我正在使用经过训练的 opencv 级联分类器来检测视频帧中的手，并希望降低我的误报率。在网上阅读，我看到您可以通过访问 detectMultiScale 方法返回的信息rejectLevels来做到这一点。levelWeights我在这里看到这在 C++ 中是可能的，我的问题是 - 有没有人设法在 Python 中做到这一点？这里问了一个类似的问题，但它是针对早期版本的检测方法。

如果可能，调用该方法的正确语法是什么？如果它对您有用，请提及您正在使用的 OpenCV 版本。我在 2.4.9。

2.4.11 API 给出以下语法

因此，我尝试过

但我得到的输出是

谢谢您的帮助，

罗南

我正在尝试理解VIOLA JONES算法，并且在 MATLAB中遇到了一个使用open-cv haarcascade的实现。

它适用于人脸检测（使用haarcascade_frontalface_alt.xml），但是当与其他分类器（例如haarcascade_mcs_nose.xml）一起使用时，它会给出以下警告：

有没有办法在 open-cv haarcascade 中也包含倾斜特征。

在此先感谢您的时间！！

我正在使用OpenCL. 人脸检测算法基于 Viola Jones 算法。我试图制作 Cascade 分类步骤内核代码。我在级联阶段中设置classifier data了级联阶段 1，local memory(__local)因为分类器数据用于所有工作项。

但是，不使用本地内存（使用全局内存）的内核分析时间比使用本地内存更快。

编辑：

我上传了完整的代码。

带本地内存版本

原始版本（没有本地内存）

分析时间：原始版本（不带本地内存）：24ms 修改版本（带本地内存）：28ms

编辑：实际上 localWorkSize NULL 因为 globalWorkSize 总是因放置 NDRangeKernel 的向量大小而异。当放置特定的localWorkSize时，人脸检测率下降......所以我尝试将localWorkSize NUll，然后人脸检测率很好。所以我想知道原因。

这是主机代码：