我试图用Python 2.7和OpenCV 2.4.13从UAV图像做一个汽车探测器 . 目标是在城市环境中从任何方向的上方视图检测汽车 . 我正面临时间执行和准确性问题 .
当我使用一些从互联网获得的级联时，探测器工作正常：
-
香蕉分类器（显然它不会检测汽车，但检测到它识别为香蕉的物体）:( coding-robin.de/2013/07/22/train-your-own-opencv-haar-classifier.html）
-
来自OpenCV的人脸检测级联（与香蕉分类器相同）
对于检测本身，我使用 detectMultiScale() 与 scaleFactor = 1.1-1.2 和 minNeighbors=3
在4000x3000像素图像中的合理时间（几秒）内执行检测 .
当我尝试使用自己训练有素的分类器时会出现问题 . 结果很糟糕，执行检测需要很长时间（超过半小时）
为了训练，我从一个有大量汽车停车场的大型正交马赛克（我缩小了几次）中提取了正面和负面图像 . 我提取了总共50辆汽车（25x55像素），然后我水平反射，产生100张正像，2119张负像（60x60像素）来自相同的正射马赛克 . 我将此组称为图像的“完整集” . 从那个集合中，我创建了一个子集（4个正数和35个负数），我将其称为“虚拟集”：
为了训练，我使用了 opencv_createsamples 和 opencv_traincascade . 我从100张正面图像中创建了6000个样本，将车辆从0度旋转到360度：
perl bin/createsamples.pl positives.txt negatives.txt samples 6000 "opencv_createsamples -bgcolor 0 -bgthresh 0 -maxxangle 0.5 -maxyangle 0.5 -maxzangle 6.28 -maxidev 40 -w 60 -h 60"
所以现在，我有6000个60x60像素的汽车样品图像在任意方向上随机背景 .
然后我执行 mergevec.py 来创建 samples.vec 文件，并运行训练应用程序 opencv_traincascade ：
python mergevec.py -v samples/ -o samples.vec
opencv_traincascade -data classifier -vec samples.vec -bg negatives.txt -numStages 20 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -numPos 3700 -numNeg 2119 -w 60 -h 60 -mode ALL -precalcValBufSize 3096 -precalcIdxBufSize 3096
通过这种方法，我训练了四个分类器，两个使用完整的集合，另外两个使用虚拟集合，每个集合使用一个LBP和一个HAAR . 我得到的结果如下：
-
假人集，LBP：训练在1阶段停止 . 快速检测，无检测到物体
-
假人集，HAAR：训练在1阶段停止 . 检测需要永远（或至少超过半小时） . 我打断了这个过程，因为它显然不起作用 .
-
全套，LBP：训练在6个阶段停止 . 检测速度非常慢（500x400像素图像中1-2分钟，使用scaleFactor = 2） . 当图像中至少有10辆汽车时，检测到极少量的物体（2），没有一辆汽车，以及用于训练的相同图像 .
-
全套，HAAR：我在第四阶段停止了训练以进行测试 . 与Dummy集相同的行为 .
我做错了什么？由于香蕉和脸部叶栅在合理的时间内工作并检测物体，问题显然在我的瀑布中，但我无法弄明白为什么 .
我非常感谢你的帮助 . 在此先感谢费德里科
1 回答
我不能确切地说，但我知道为什么你不能训练HAAR（LBP）级联来检测任意方向的汽车 .
当检测到的物体具有大致相同的形状和颜色（亮度）时，这些级联工作正常 . 正面的面是这些物体的一个很好的例子 . 但是当脸部有另一种方向和颜色时它会更糟糕（这不是开玩笑，OpenCV标准的哈尔级联与检测到皮肤黝黑的男人有问题） . 虽然这些问题是训练集的结果，但训练集只包含正面导向的欧洲人的面孔 . 但是，如果我们尝试添加具有所有颜色和空间方向的训练集面，我们将面临与您相同的问题 .
在训练过程中，每个阶段的训练算法试图找到分离负样本和正样本的特征集（HAAR或LBP） . 如果检测到的对象具有复杂且可变的形状，则所需特征的数量非常大 . 所需的大量功能导致级联分类器工作非常缓慢或根本无法训练 .
因此，HAAR（LBP）级联不能用于检测具有可变形状的对象 . 但是你可以看看Deep Convolution Neural Networks . 据我所知，他们可以解决这些问题 .