python - HaarCascade 训练：合并 .lst 文件

Question

我正在使用 HaarCascade 开发自己的对象检测器。顺便说一句，我被困在某个点上，我将在下面解释。

情况是这样的： - 我收集了我的对象的 100 张图像（比如说苹果） - 我收集了大约1500 张底片图像 - 我创建了negatives.txt，一个包含底片图像路径的文件 - 我创建了positives.txt，一个文件其中包含我的正图像的路径、对象数量、坐标和尺寸

现在，这就是问题所在。

用于增强我的数据/图像，我看到如果我为每个对象图像执行它（使用opencv_createsamples.exe相同的参数），输出将或多或少是 1000 个正图像（负背景 + 对象）以及.lst file包含路径和对象坐标在负像里面。这些坐标不会改变（因为我在执行时设置了它们opencv_createsamples.exe）。

问题是：更改createsamples每个对象图像所需的参数然后将它们全部合并是个好主意吗？

我现在正在做的例子：

• opencv_createsample.exe -p1 0.5 -p2 0.6 -p3 0.7
• 对于我的每个底片，我的一个对象图像
• .lst 带有信息的文件（如果对每个正对象图像执行相同）

我愿意做的例子：

• 对于我的每个底片的每个对象图像
• opencv_createsample.exe -p1 0.5 -p2 0.6 -p3 0.7 - opencv_createsample.exe -p1 0.6 -p2 0.7 -p3 0.8，依此类推（参数值随机）
• 每个对象图像具有不同信息的多个 .lst 文件
• 合并所有 .lst

我真的希望我解释了一切。

我怀疑这样做的效率：通过在不同位置使用不同对象（同一类）进行训练，或者仅使用一个对象相同，我将获得更高的准确性？

词汇表：

• object = 我想检测的东西（一个苹果）
• 负图像 = 不包含对象的背景图像
• 正图像 = 带有负图像的处理图像（创建样本输出）+ 对象

谢谢大家

更新

在 HaarCascade 上观看 Sentdex 视频后，在这里：训练 Haar 级联对象检测 - OpenCV with Python for Image and Video Analysis 20

标签： pythonopencvtraining-datahaar-classifier

Answer 1

我认为在每个（正）图像中使用多个对象训练模型会得到更好的结果。这也取决于你想要达到的目标。1.尝试您在问题中提到的两种方法并使用相同的图像进行测试。2. 比较有效性（检测的准确性）和效率（例如，速度是否有明显差异？）