opencv源码解读——haartraining
2016-05-05 10:35
483 查看
1.参数:
-data <dir_name> :指定生成的文件目录
-vec <vec_file_name>:正样本的保存文件
-bg <background_file_name>:负样本的保存文件
-npos <number_of_positive_samples >:正样本的数量 默认2000
-nneg <number_of_negative_samples >:负样本的数量 默认2000
-nstages <number_of_stages >:训练的层数 默认14
-nsplits <number_of_splits >:
决定adaboost的弱分类器,默认 1 ,则一个简单的 stump classifier (二叉树)被使用。
如果是n,则使用带有 n 个内部节点的 CART 分类器。
-mem <memory_in_MB >:缓存大小 默认200,大一点会训练的快一些。
-sym (default) -nonsym):
-sym或者-nonsym,后面不用跟其他参数,用于指定目标对象是否垂直对称.
若你的对象是垂直对称的,比如脸,则垂直对称有利于提高训练速度.
-minhitrate <min_hit_rate >:
字面理解,最小命中率也就是准确率,总的命中率为 min_hit_rate 的 number_of_stages 次方。默认0.995
-maxfalsealarm <max_false_alarm_rate >
最大误检率,每一层训练到这个值小于0.5(默认)时训练结束,进入下一层训练。总的误检率为number_of_stages 次方。
-weighttrimming <weight_trimming >:权修正,默认0.95
-eqw:equalweights - if not 0 initial weights of all samples will be equal,adaboost中的权值
-mode <BASIC (default) | CORE | ALL>
0 - BASIC = Viola (默认的基本的5种haar特征)
1 - CORE = All upright 所有垂直的特征,也就是线特征。
2 - ALL = All features 所有特征,包括倾斜特征,对角特征等。
-w <sample_width >:样本宽度
-h <sample_height >:样本高度
-bt <DAB | RAB | LB | GAB (default)>
boosttype - type of applied boosting algorithm boost的类型
DAB: 0 - Discrete AdaBoost
RAB:
1- Real AdaBoost
LB: 2 - LogitBoost
GAB:
3 - Gentle AdaBoost
-err <misclass (default) | gini | entropy>
stumperrors: - type of used error if Discrete AdaBoost algorithm is applied
使用DAB遇到的错误类型:
misclass
gini
entropy
-maxtreesplits <max_number_of_splits_in_tree_cascade >:级联分类树的最大分支数目
-minpos <min_number_of_positive_samples_per_cluster >:每一个弱分类器的最小正样本数目 7000正3000负 可取500
有些参数与cart分类器相关,需要补充cart相关知识。
-data <dir_name> :指定生成的文件目录
-vec <vec_file_name>:正样本的保存文件
-bg <background_file_name>:负样本的保存文件
-npos <number_of_positive_samples >:正样本的数量 默认2000
-nneg <number_of_negative_samples >:负样本的数量 默认2000
-nstages <number_of_stages >:训练的层数 默认14
-nsplits <number_of_splits >:
决定adaboost的弱分类器,默认 1 ,则一个简单的 stump classifier (二叉树)被使用。
如果是n,则使用带有 n 个内部节点的 CART 分类器。
-mem <memory_in_MB >:缓存大小 默认200,大一点会训练的快一些。
-sym (default) -nonsym):
-sym或者-nonsym,后面不用跟其他参数,用于指定目标对象是否垂直对称.
若你的对象是垂直对称的,比如脸,则垂直对称有利于提高训练速度.
-minhitrate <min_hit_rate >:
字面理解,最小命中率也就是准确率,总的命中率为 min_hit_rate 的 number_of_stages 次方。默认0.995
-maxfalsealarm <max_false_alarm_rate >
最大误检率,每一层训练到这个值小于0.5(默认)时训练结束,进入下一层训练。总的误检率为number_of_stages 次方。
-weighttrimming <weight_trimming >:权修正,默认0.95
-eqw:equalweights - if not 0 initial weights of all samples will be equal,adaboost中的权值
-mode <BASIC (default) | CORE | ALL>
0 - BASIC = Viola (默认的基本的5种haar特征)
1 - CORE = All upright 所有垂直的特征,也就是线特征。
2 - ALL = All features 所有特征,包括倾斜特征,对角特征等。
-w <sample_width >:样本宽度
-h <sample_height >:样本高度
-bt <DAB | RAB | LB | GAB (default)>
boosttype - type of applied boosting algorithm boost的类型
DAB: 0 - Discrete AdaBoost
RAB:
1- Real AdaBoost
LB: 2 - LogitBoost
GAB:
3 - Gentle AdaBoost
-err <misclass (default) | gini | entropy>
stumperrors: - type of used error if Discrete AdaBoost algorithm is applied
使用DAB遇到的错误类型:
misclass
gini
entropy
-maxtreesplits <max_number_of_splits_in_tree_cascade >:级联分类树的最大分支数目
-minpos <min_number_of_positive_samples_per_cluster >:每一个弱分类器的最小正样本数目 7000正3000负 可取500
有些参数与cart分类器相关,需要补充cart相关知识。
相关文章推荐
- 从源码安装Mysql/Percona 5.5
- 浅析Ruby的源代码布局及其编程风格
- asp.net 抓取网页源码三种实现方法
- JS小游戏之仙剑翻牌源码详解
- JS小游戏之宇宙战机源码详解
- jQuery源码分析之jQuery中的循环技巧详解
- 本人自用的global.js库源码分享
- java中原码、反码与补码的问题分析
- ASP.NET使用HttpWebRequest读取远程网页源代码
- python中使用OpenCV进行人脸检测的例子
- opencv 做人脸识别 opencv 人脸匹配分析
- 使用opencv拉伸图像扩大分辨率示例
- PHP网页游戏学习之Xnova(ogame)源码解读(六)
- C#获取网页HTML源码实例
- PHP网页游戏学习之Xnova(ogame)源码解读(八)
- PHP网页游戏学习之Xnova(ogame)源码解读(四)
- JS小游戏之极速快跑源码详解
- JS小游戏之象棋暗棋源码详解
- android源码探索之定制android关机界面的方法
- 基于Android设计模式之--SDK源码之策略模式的详解