OpenCV 随机森林(Random Forest)手势识别应用---样本选择问题

如图，这是打电话手势。在进行背景处理、二值化、统一尺寸后，提取ROI的轮廓得到的20*20图片。

现在要将手势提取出来，用的是基于OpenCV的随机森林(Random Forest)API。

手势识别，本质上就是，将一个模板与另外所有的模板区分开。用过OpenCV的人脸识别训练特征函数HAAR的同学就知道，训练的时候有正模板(Positive samples)和负模板(Negtive samples)。正模板就是要识别的对象，负模板就是除了识别对象意外的图片。

本文的主旨就在于，在进行随机森林的训练时，究竟怎样选择样本？除了正、负样本个数，还有就是负样本的复杂程度。负样本的复杂程度直接决定了负样本的信息量丰富程度。

现在我将1000张”剪刀手“作为负样本、1000张”打电话“来训练。训练后的model文件包含了随机数个数，如果打开model文件会发现，随机数个数只有几个。

随机数个数少意味着什么？

如果把model文件比作机器学习过后，有对象检测能力的机器。那么这个机器判断对象的依据很少。这个机器可以将以上两种手势分开来，从而将“打电话”手势拿到。

但是如果Input的图像复杂一点，实验证明，机器经常将负样本误认为“打电话”手势。

因为随机森林就像一个裁判员的集合，过少的裁判员产生的结果不具有代表性。

实验证明，负样本包含的对象复杂一点、多样一点，而且包含纯黑背景图片，训练出来的随机树个数有指数级增长。随机森林predict出来的结果鲁棒性更好。

在实际应用中，就能够将“打电话”手势从其它对象中区分开来。