训练Haar级联分类器常见问题的分析与解决方法

一、概述

       在计算机视觉领域中，需要进行目标分类和位置跟踪时，从图像数据中提取相应特征对产生稳定分类结果和跟踪结果很重要。OpenCV提供了尺度不变Haar级联的分类器和跟踪器，OpenCV3的源码中提供了所有OpenCV的用于人脸检测的XML文件，这些文件可以检测静止图像、视频和摄像头所获得图像中的人脸。用户可以利用性能强劲的计算机，创建自己的级联，训练分类器去检测各种对象。

二、常见问题的分析与解决方法

1、OpenCV Error: Unspecified error (No element name has been given) in cv::operator <<, file C:\builds\2_4_PackSlave-win64-vc12-shared\opencv\modules\core\include\opencv2/core/operations.hpp, line 2913

       无法识别的工具错误。使用相应工具（例如：opencv_traincascade）时，如果工具没有在当前目录，则添加工具的的绝对路径，对于中间有空格的路径可以用双引号将路径进行包含。

2、Training parameters are loaded from the parameter file in data folder!  Please empty the data folder if you want to use your own set of parameters.          
OpenCV Error: Parsing error (data/params.xml(7): Duplicated key) in cvGetFileNode, file C:\builds\2_4_PackSlave-win64-vc12-shared\opencv\modules\core\src\persistence.cpp, line 711

        一般训练模型过程中，如果训练被中断，下次训练时会自动加载之前的参数继续训练。如果要重新开始，应该将data文件夹（保存着训练过程中各层网络的参数和最终的分类器文件）清空。

3、OpenCV Error: Bad argument (Can not get new positive sample. The most possible reason is insufficient count of samples in given vec-file.) in CvCascadeImageReader::PosReader::get, file C:\builds\2_4_PackSlave-win64-vc12-shared\opencv\apps\traincascade\imagestorage.cpp, line 162

       训练参数设置的不正确。训练分类器时参数numPos的值要小于vec_file文件里面给的参数num，一般取numPos=0.9num_in_vec或者0.8num_in_vec。

4、Train dataset for temp stage can not be filled. Branch training terminated.

       现阶段的网络层级的训练样本不足，训练提前终止。参考可能的三个方面：
（1）级联参数minHitRate（即每层级的最小检测率）默认为0.995，可以修改得更大一点。
（2）基本参数precalcValBufSize和precalcIdxBufSize（即特征值缓存和特征索引缓存）设置得过小。通常这两个参数默认  1024M，但是电脑的硬件配置不够的话，是没有办法进行训练的，所以根据电脑的性能修改这两个参数的值，但是值太小也是无法训练的。
（3）正负样本尺寸设置问题。负样本的尺寸要大于正样本的尺寸，通常是负样本尺寸为正样本尺寸的6倍左右，不然当训练层级较大时，无法进入下一层级进行训练。

5、1415: error: (-213) HOG cascade is not supported in 3.0 in function read

       训练分类器时，级联参数featureType默认为Haar，可以更改为HOG或者LBP，但是训练出来的基于HOG描述符的分类器在OpenCV3中是不支持的（使用OpenCV3+Python2.7测试分类器）。

6、terminate called after throwing an instance of 'std::bad_alloc'
  what():  std::bad_alloc
Aborted

       内存溢出问题。可以将正样本图片尺寸改小一点，通常的尺寸是24x24或者32x32等等。

三、其他

1、训练用的正负样本都是灰度图，训练之前需要将彩色图转化为灰度图，并且尺寸应保持统一。

2、使用性能强劲的计算机，训练效率和训练结果更佳。

3、训练之初，由用户给出分类器训练的基本参数，而级联参数通常有默认的值，也是可以根据实际情况进行更改的。

4、训练样本中尽量不要有相同的样本。

5、样本的质量和数量会影响到分类器的分类效果。