git.maemo.org Git - opencv/blob - debian/opencv-haartraining.1

   1 .TH "OPENCV\-HAARTRAINING" "1" "May 2008" "OpenCV" "User Commands"
   2
   3
   4 .SH NAME
   5 opencv-haartraining \- train classifier
   6
   7
   8 .SH SYNOPSIS
   9 .B opencv\-haartraining [options]
  10
  11
  12 .SH DESCRIPTION
  13 .PP
  14 .B opencv\-haartraining
  15 is training the classifier. While it is running, you can already get an
  16 impression, whether the classifier will be suitable or if you need to improve
  17 the training set and/or parameters.
  18 .PP
  19 In the output:
  20 .TP
  21 .RB \(aq POS: \(aq
  22 shows the hitrate in the set of training samples (should be equal or near to
  23 .I 1.0
  24 as in stage 0)
  25 .TP
  26 .RB \(aq NEG: \(aq
  27 indicates the false alarm rate (should reach at least
  28 .I 5*10-6
  29 to be a usable classifier for real world applications)
  30 .PP
  31 If one of the above values gets
  32 .IR 0 " (" zero ")"
  33 there is an overflow. In this case the false alarm rate is so low, that
  34 further training doesn't make sense anymore, so it can be stopped.
  35
  36
  37 .SH OPTIONS
  38 .PP
  39 .B opencv\-haartraining
  40 supports the following options:
  41
  42 .PP
  43 .TP
  44 .BI "\-data " dir_name
  45 The directory in which the trained classifier is stored.
  46
  47 .TP
  48 .BI "\-vec " vec_file_name
  49 The file name of the positive samples file (e.g. created by the
  50 .BR opencv\-createsamples (1)
  51 utility).
  52
  53 .TP
  54 .BI "\-bg " background_file_name
  55 The background description file (the negative sample set). It contains a list
  56 of images into which randomly distorted versions of the object are pasted for
  57 positive sample generation.
  58
  59 .TP
  60 .BI "\-npos " number_of_positive_samples
  61 The number of positive samples used in training of each classifier stage.
  62 The default is
  63 .IR 2000 .
  64
  65
  66 .TP
  67 .BI "\-nneg " number_of_negative_samples
  68 The number of negative samples used in training of each classifier stage.
  69 The default is
  70 .IR 2000 .
  71
  72 .PP
  73 Reasonable values are
  74 .BR "\-npos 7000 \-nneg 3000" .
  75
  76 .TP
  77 .BI "\-nstages " number_of_stage
  78 The number of stages to be trained. The default is
  79 .IR 14 .
  80
  81 .TP
  82 .BI "\-nsplits " number_of_splits
  83 Determine the weak classifier used in stage classifiers. If the value is
  84 .IP
  85 .BR 1 ,
  86 then a simple stump classifier is used
  87 .IP
  88 .BR >=2 ,
  89 then CART classifier with
  90 .I number_of_splits
  91 internal (split) nodes is used
  92 .IP
  93 The default is
  94 .IR 1 .
  95
  96 .TP
  97 .BI "\-mem " memory_in_MB
  98 Available memory in
  99 .B MB
 100 for precalculation. The more memory you have the faster the training process is.
 101 The default is
 102 .IR 200 .
 103
 104 .TP
 105 .B \-sym, \-nonsym
 106 Specify whether the object class under training has vertical symmetry or not.
 107 Vertical symmetry speeds up training process and reduces memory usage. For
 108 instance, frontal faces show off vertical symmetry. The default is
 109 .BR \-sym .
 110
 111 .TP
 112 .BI "\-minhitrate " min_hit_rate
 113 The minimal desired hit rate for each stage classifier. Overall hit rate may
 114 be estimated as
 115 .IR "\%min_hit_rate^number_of_stages" .
 116 The default is
 117 .IR 0.950000 .
 118
 119 .TP
 120 .BI "\-maxfalsealarm " max_false_alarm_rate
 121 The maximal desired false alarm rate for each stage classifier. Overall false
 122 alarm rate may be estimated as
 123 .IR "\%max_false_alarm_rate^number_of_stages" .
 124 The default is
 125 .IR 0.500000 .
 126
 127 .TP
 128 .BI "\-weighttrimming " weight_trimming
 129 Specifies whether and how much weight trimming should be used. The default is
 130 .IR 0.950000 .
 131 A decent choice is
 132 .IR 0.900000 .
 133
 134 .TP
 135 .B \-eqw
 136 Specify if initial weights of all samples will be equal.
 137
 138 .TP
 139 .BI "\-mode {" BASIC | CORE | ALL "}"
 140 Select the type of haar features set used in training.
 141 .I BASIC
 142 uses only upright features, while
 143 .I CORE
 144 uses the full upright feature set and
 145 .I ALL
 146 uses the full set of upright and 45 degree rotated feature set.
 147 The default is
 148 .IR BASIC .
 149 .IP
 150 For more information on this see \%http://www.lienhart.de/ICIP2002.pdf.
 151
 152 .TP
 153 .BI "\-bt {" DAB | RAB | LB | GAB "}"
 154 The type of the applied boosting algorithm. You can choose between Discrete
 155 AdaBoost (\fIDAB\fR), Real AdaBoost (\fIRAB\fR), LogitBoost (\fILB\fR) and
 156 Gentle AdaBoost (\fIGAB\fR). The default is
 157 .IR GAB .
 158
 159 .TP
 160 .BI "\-err {" misclass | gini | entropy "}"
 161 The type of used error if Discrete AdaBoost (\fB\-bt DAB\fR) algorithm is
 162 applied. The default is
 163 .IR misclass .
 164
 165 .TP
 166 .BI "\-maxtreesplits " max_number_of_splits_in_tree_cascade
 167 The maximal number of splits in a tree cascade. The default is
 168 .IR 0 .
 169
 170 .TP
 171 .BI "\-minpos " min_number_of_positive_samples_per_cluster
 172 The minimal number of positive samples per cluster. The default is
 173 .IR 500 .
 174
 175 .TP
 176 .BI "\-h " sample_height
 177 The sample height (must have the same value as used during creation).
 178 The default is
 179 .IR 24 .
 180
 181 .TP
 182 .BI "\-w " sample_width
 183 The sample width (must have the same value as used during creation).
 184 The default is
 185 .IR 24 .
 186
 187 .PP
 188 The same information is shown, if
 189 .B opencv\-haartraining
 190 is called without any arguments/options.
 191
 192
 193 .SH EXAMPLES
 194 .PP
 195 TODO
 196 .\" http://robotik.inflomatik.info/other/opencv/OpenCV_ObjectDetection_HowTo.pdf
 197
 198
 199 .SH SEE ALSO
 200 .PP
 201 .BR opencv\-createsamples (1),
 202 .BR opencv\-performance (1)
 203 .PP
 204 More information and examples can be found in the OpenCV documentation.
 205
 206
 207 .SH AUTHORS
 208 .PP
 209 This manual page was written by \fBDaniel Leidert\fR <\&daniel.leidert@wgdd.de\&>
 210 for the Debian project (but may be used by others).