1000个正样本,1000个负样本
将图像归一化至24X24
选取了10个特征模板:
HarrLike{1}=[1 -1];
HarrLike{2}=[1 -1].';
HarrLike{3}=[1 -1 1];
HarrLike{4}=[1 -1 1].';
HarrLike{5}=[0 1;-1 0];
HarrLike{6}=[1 0;0 -1];
HarrLike{7}=[1 -1;-1 1];
HarrLike{8}=[1 1 1;1 -1 1;1 1 1];
HarrLike{9}=[0 0 1;0 -1 0;1 0 0];
HarrLike{10}=[1 0 0;0 -1 0;0 0 1];
每个样本提取特征数量1909个
训练错误率可以下降至5%以内,但测试错误率却在20%以上,相差非常大,并且收敛缓慢
猜测原因:
1、Harr-Like特征不适合于进行溃疡病
2、归一化图像大小不合适(太大或者太小)
3、Harr-Like特征特征模板不合适
4、提取特征数量太少
准备暂时放弃使用Harr-Like特征。主要原因在于
1、效果较差
2、训练花费时间太长(因为特征维数太高)
把其他特征空间的特征提炼完毕后,再来考虑Harr-Like特征。

分享到:
相关推荐
综上所述,Harr特征提取作为一种经典的图像特征提取技术,依靠积分图像的高效计算和Harr-like特征的多样性,为后续的分类器提供了有效的特征输入。虽然它在计算机视觉的某些任务中可能已经不如深度学习方法那样流行...
Haar-like 特征是一种非常经典的特征提取算法,尤其是它与AdaBoost组合使用时对人脸检测有着非常不错的效果。Haar-like 特征涉及到了三篇经典论文,让它快速发展。最原始的Haar-like 特征是在《A general framework ...
OpenCV中的Adaboost算法被用来从大量随机的haar特征中选择最优的特征集合,形成一个级联分类器,用于人脸检测。 3. **级联分类器**:级联分类器是由多个弱分类器组成的强分类器,每个弱分类器负责排除一部分非人脸...
综合上述内容,该研究提供了一种有效的人脸识别方法,通过超分辨率重构改善低分辨率图像质量,利用Harr-like特征和Adaboost算法进行人脸检测,然后通过PCA进行特征降维以实现识别。这种方法在实际监控视频环境下取得...
Harr-like特征提取是一种常用的人脸检测方法,它通过计算图像中像素的梯度直方图来捕捉图像的边缘信息,形成特征向量。这些特征向量能够有效地反映出人脸的形状和结构。AdaBoost算法则是一种强大的分类器训练算法,...