参数设置注意事项

选择函数参数来优化阶段数、假阳性率、真阳性率以及用于训练的特征类型。在设置参数时，要考虑这些权衡。

可用于训练的特性类型

选择适合您需要的对象检测类型的特性。的trainCascadeObjectDetector支持三种类型的特征:Haar，局部二进制模式(LBP)和定向梯度直方图(HOG)。Haar和LBP特征通常用于检测人脸，因为它们很好地代表了细尺度的纹理。HOG特征通常用于检测人、车等物体。它们对于捕捉物体的整体形状非常有用。例如，在以下HOG特征的可视化图中，您可以看到自行车的轮廓。

你可能需要运行trainCascadeObjectDetector多次执行函数来调优参数。为了节省时间，可以对数据的一小部分使用LBP或HOG特性。使用哈尔特征训练检测器需要更长的时间。在此之后，您可以运行Haar特性，看看准确性是否有所提高。

供应正样本

要轻松创建阳性样例，可以使用图片标志Image Labeler通过交互式指定感兴趣的矩形区域(roi)提供了一种标记阳性样本的简单方法。

还可以通过以下两种方式之一手动指定阳性样本。一种方法是在较大的图像中指定矩形区域。区域包含感兴趣的对象。另一种方法是从图像中裁剪出感兴趣的对象，并将其保存为一个单独的图像。然后，您可以指定该区域为整个图像。您还可以通过增加旋转或噪声，或通过改变亮度或对比度，从现有的样本中生成更多的阳性样本。

供应负面形象

阴性样本没有明确指定。相反,trainCascadeObjectDetector函数从用户提供的不包含感兴趣对象的负图像中自动生成负样本。在训练每个新阶段之前，该函数运行由已经在负图像上训练过的阶段组成的检测器。从这些图像中检测到的任何物体都是假阳性，这被用作阴性样本。通过这种方式，级联的每个新阶段都被训练为纠正前一阶段所犯的错误。

随着增加更多的级，检测器的总体假阳性率降低，导致阴性样本的生成更加困难。因此，提供尽可能多的负面形象是有帮助的。为了提高训练的准确性，提供包含通常与感兴趣的对象相关的背景的负面图像。同样，也要包括消极的图像，包含与感兴趣的物体外观相似的非物体。例如，如果你正在训练一个停止标志检测器，包括消极的图像，包含道路标志和形状类似的停止标志。

选择阶段的数量

在每个阶段假阳性率较低的较少的阶段和每个阶段假阳性率较高的较多的阶段之间存在权衡。假阳性率较低的阶段更为复杂，因为它们包含了更多的弱学习者。假阳性率较高的阶段包含较少的弱学习者。一般来说，最好有更多的简单阶段，因为在每个阶段，总体假阳性率呈指数下降。例如，如果每个阶段的假阳性率为50%，那么具有两个阶段的级联分类器的总体假阳性率为25%。经过三个阶段，它变成了12.5%，以此类推。然而，阶段数量越多，分类器需要的训练数据量就越多。此外，增加阶段数量也会增加假阴性率。这种增加会导致错误地拒绝阳性样本的机会增加。设置假阳性率(FalseAlarmRate)和阶段数量，(NumCascadeStages)以产生可接受的整体误报率。然后你可以通过实验调整这两个参数。

培训有时会提前结束。例如，假设训练在7个阶段后停止，即使您将阶段参数的数量设置为20。有可能函数不能产生足够的负样本。如果再次运行该函数并将阶段数设置为7，则不会得到相同的结果。不同阶段之间的结果不同，因为每个阶段使用的阳性和阴性样本的数量会根据新的阶段数量重新计算。

检测器培训时间

训练一个好的检测器需要成千上万的训练样本。大量的训练数据可能需要数小时甚至数天的时间来处理。在训练过程中，函数在MATLAB中显示训练每个阶段所需的时间^®命令窗口。训练时间取决于您指定的特性类型。使用Haar特性比使用LBP或HOG特性花费的时间要长得多。

如果阳性样本用完了怎么办?

的trainCascadeObjectDetector函数自动确定用于训练每个阶段的阳性样本的数量。数量是基于用户提供的阳性样本总数和的值TruePositiveRate而且NumCascadeStages参数。

用于训练每个阶段的可用阳性样本的数量取决于真阳性率。速率指定函数可以将阳性样本的百分比归为阴性。如果一个样本在任何一个阶段被分类为阴性，它将永远无法进入后续阶段。例如，假设您设置TruePositiveRate来0.9，并使用所有可用的样本来训练第一阶段。在这种情况下，10%的阳性样本被拒绝为阴性，只有90%的阳性样本可用于第二阶段的训练。如果训练继续，那么每个阶段训练的样本会越来越少。接下来的每一个阶段都必须解决一个越来越难的分类问题，但正样本却越来越少。由于每个阶段得到的样本更少，后面的阶段很可能会过拟合数据。

理想情况下，使用相同数量的样本来训练每个阶段。为此，用于训练每个阶段的阳性样本的数量必须小于可用阳性样本的总数。唯一的例外是当的值TruePositiveRate乘以阳性样本总数小于1，没有阳性样本被拒绝为阴性。

该函数使用以下公式计算每个阶段要使用的正样本数量:

如果阴性样本用完了怎么办?

该函数计算每个阶段使用的负样本数。的值乘以每个阶段使用的正样本的数量，就可以进行计算NegativeSamplesFactor．

就像正样本一样，不能保证负样本的计算数量对于特定阶段总是可用的。的trainCascadeObjectDetector函数从负图像中生成负样本。但是，每增加一个阶段，级联分类器的整体虚警率就会降低，从而使其更不容易找到负样本。

只要可用于训练一个阶段的负样本数量大于计算的负样本数量的10%，训练就继续进行。如果没有足够的负样本，则停止训练并发出警告。它输出一个分类器，由它训练到该点的阶段组成。训练结束后，最好的方法是添加更多的负面图像。或者，您可以减少阶段的数量或增加假阳性率。