我有两个数据集：第一个包含340张尺寸为440×200的图像，每张图像上的对象尺寸在9×10像素到25×15像素之间。另一个是包含570张尺寸为440×200的负样本图像。我使用以下参数进行训练：-numPos 250 -numNeg 22000 -w 10 -h 10 –numStages 24 –minHitRate 0.995 -maxFalseAlarm -maxDepth 20 -maxWeakCount 600 -mode ALL
我的数据集是从之前标记好的图像中创建的。
我还尝试了-numPos 320和300。第一次使用-numPos 320时，在第4阶段以“正样本数量不足”的错误结束。我重新运行了相同的级联，使用-numPos 300。它又多了一个阶段，但还是以同样的错误结束。第三次我选择了-numPos 250，它在第2阶段失败了，第1阶段的误报率为0！但在第二阶段为0.028。
因此，我很乐意听到任何建议，但我的问题是：使用这么少的正样本训练级联是不可能的吗？但即使在前几个阶段，它也给我非常低的误报率。所以它可以成为一个好的分类器吗？
回答：
关于你的第一个问题：
实际上并不清楚每种图像需要多少。还真的取决于你想要检测的对象，它到底有多复杂。不过，这是可能的，例如，在这个网站的实验中使用了40个正样本和600个负样本，http://coding-robin.de/2013/07/22/train-your-own-opencv-haar-classifier.html。
然而，对象越复杂，我认为你需要训练更多的正负图像。如果我没记错的话，大约三到四年前我做的一个手部检测项目，需要大约800多个正图像和几乎两倍的负图像，我的朋友和我才对检测率感到满意。
基本上，训练的图像越多，你的对象检测就越准确。
你的第二个问题：
你必须注意的是，分类器的误报率至少与检测率一样重要。通常，当一对一的误报率没有严格控制时，整个分类器将无法使用。
还要注意，在大多数情况下，误报错误率大于检测错误率，这使得误报率在设计分类器时成为一个难以最小化的标准。
尝试通过以下方式理解这一点：http://www.uic.edu/classes/idsc/ids572cna/Model%20evaluation.pdf，还有另一个更容易理解和学习如何训练分类器的文本：http://note.sonots.com/SciSoftware/haartraining.html
所以当你问：“它在前几个阶段就给我非常低的误报率。所以它可以成为一个好的分类器吗？”我的回答是，为什么不呢？
另外，如果可能的话，尝试将负图像增加到正图像的两倍。这是我的常规做法。
希望我的回答对你有帮助。祝你好运。如果有任何问题，请随时评论。
