本文共 1549 字，大约阅读时间需要 5 分钟。

一、训练时存储在变量中的参数(9个参数)

• -data
  • 训练的分类器的存储目录
• -vec
  • 正样本文件，由open_createsamples.exe生成，正样本文件后缀名为.vec
• -bg
  • 负样本说明文件，主要包含负样本文件所在的目录及负样本文件名
• -numPos
  • 每级分类器训练时所用到的正样本数目，应小于vec文件中正样本的数目，具体数目限制条件为：numPos+（numStages-1）*numPos*（1-minHitRate）<=vec文件中正样本的数目
• -numNeg
  • 每级分类器训练时所用到的负样本数目，可以大于-bg指定的图片数目
• -numStages
  • 训练分类器的级数，强分类器的个数
• -precalcValBufSize
  • 缓存大小，用于存储预先计算的特征值，单位MB
• -precalcIdxBufSize
  • 缓存大小，用于存储预先计算的特征索引，单位MB
• -baseFormatSave
  • 仅在使用Haar特征时有效，如果指定，级联分类器将以老格式存储

二、存储在参数类中的参数()

1、存储CvCascadeParams的对象中的参数(4个参数)

-stageType     级联类型，目前只能取BOOST-featureType     训练使用的特征类型，目前支持的特征有Haar，LBP和HOG-w     训练的正样本的宽度，Haar特征的w和h一般为20，LBP特征的w和h一般为24，HOG特征的w和h一般为64-h     训练的正样本的高

2、存储在CvCascadeBoostParams的对象中的参数(6个参数)

-bt     训练分类器采用的Adaboost类型，Adaboost分为Getle Adaboost，Real Adaboost，Discrete Adaboost，Logit Adaboost，训练中默认采用Getle Adaboost-minHitRate     影响每个强分类器阈值，每一级分类器最小命中率，表示每一级强分类器对正样本的的分类准确率-maxFalseAlarm     最大虚警率，影响弱分类器的阈值，表示每个弱分类器将负样本误分为正样本的比例，一般默认值为0.5-weightTrimRate     0-1之间的阈值，影响参与训练的样本，样本权重更新排序后(从小到大)，从前面累计权重小于(1-weightTrimRate)的样本将不参与下一次训练，一般默认值为0.95-maxDepth     每一个弱分类器决策树的深度，默认是1，是二叉树（stumps），只使用一个特征。-maxWeakCount     每级强分类器中弱分类器的最大个数，当FA降不到指定的maxFalseAlarm时可以通过指定最大弱分类器个数停止单个强分类器

3、存储在CvFeatureParams对象中的参数(1个参数)

Haar特征，CvHaarFeatureParams继承于CvFeatureParams    -mode        值为BASIC、CORE、ALL三种，根据值不同采用不同的Haar特征，BASIC是基本的Haar特征，CORE是所有的上下Haar特征，ALL是使用所有的Haar特征LBP特征，CvLBPFeatureParams继承于CvFeatureParams      无参数HOG特征，CvHOGFeatureParams继承于CvFeatureParams       无参数