OpenCV函数解读之groupRectangles

我不是女神ヾ 2022-08-13 06:58 273阅读 0赞

不管新版本的CascadeClassifier，还是老版本的HAAR检测函数cvHaarDetectObjects，都使用了groupRectangles函数进行窗口的组合，其函数原型有以下几个：

CV\_EXPORTS void groupRectangles(CV\_OUT CV\_IN\_OUT vector<Rect>& rectList, int groupThreshold, double eps=0.2);

CV\_EXPORTS\_W void groupRectangles(CV\_OUT CV\_IN\_OUT vector<Rect>& rectList, CV\_OUT vector<int>& weights, int groupThreshold, double eps=0.2);

CV\_EXPORTS void groupRectangles( vector<Rect>& rectList, int groupThreshold, double eps, vector<int>\* weights, vector<double>\* levelWeights );

CV\_EXPORTS void groupRectangles(vector<Rect>& rectList, vector<int>& rejectLevels,

vector<double>& levelWeights, int groupThreshold, double eps=0.2);

CV\_EXPORTS void groupRectangles\_meanshift(vector<Rect>& rectList, vector<double>& foundWeights, vector<double>& foundScales,

double detectThreshold = 0.0, Size winDetSize = Size(64, 128));

最后一个函数添加mean shift进行组合聚类，下面针对 groupRectangles函数进行说明（前三个函数都调用了参数最多的第四个函数实现）：

rectList：带组合的窗口，即作为输入又作为输出

rejectLevels：通过分类器的stage数，一般不小于stage总数-4，也就是weights

levelWeights：通过上述stage数的输出权重，也就是通过的stage数的所有node之和，里面即 包含left\_val又right\_val，同一个node只包含其中的一个

groupThreshold：组合阈值， 当没有输入rejectLevels的时候， 当待合并的窗口数大于该阈值的时候才可能进行合并，否则放弃； 当输入rejectLevels的时候，当前组合下通过检测的stage最大值数大于该阈值的时候才可能进行合并，否则放弃

eps：待合并的两个窗口的相关性，从矩形所在位置的像素差值考虑，当eps为0的时候不进行合并，直接返回

该函数的内部执行流程

1） 当组合阈值groupThreshold小于等于0的时候，如果输出weights，则weights中返回与rectList同样个数个1，函数直接返回，不进行合并操作

2） 调用partition函数对rectList中的矩形进行分类

vector<int> labels;

int nclasses = partition(rectList, labels, SimilarRects(eps));

其中nclasses表示组合类别，labels表示每个rect属于哪个类别的，相似度计算使用SimilarRects类

关于partition函数简介： [http://docs.opencv.org/modules/core/doc/clustering.html\#partition][http_docs.opencv.org_modules_core_doc_clustering.html_partition]，实现不相交集合数据结构的类别

值得一提的是，该函数的调用必须输入不相交的计算方法，在groupRectangles函数中使用SimilarRects计算相似度，输入参数为eps，相似的矩形是要被分为同一类的

SimilarRect中计算相似度的方法：

inline bool operator()(const Rect& r1, const Rect& r2) const

// delta为最小长宽的eps倍

double delta = eps\*(std::min(r1.width, r2.width) + std::min(r1.height, r2.height))\*0.5;

// 如果矩形的四个顶点的位置差别都小于delta，则表示相似的矩形

return std::abs(r1.x - r2.x) <= delta &&

std::abs(r1.y - r2.y) <= delta &&

std::abs(r1.x + r1.width - r2.x - r2.width) <= delta &&

std::abs(r1.y + r1.height - r2.y - r2.height) <= delta;

3） 组合分到同一类别的矩形并保存当前类别下通过stage的最大值以及最大的权重

for( i = 0; i < nlabels; i++ )

int cls = labels\[i\];

rrects\[cls\].x += rectList\[i\].x;

rrects\[cls\].y += rectList\[i\].y;

rrects\[cls\].width += rectList\[i\].width;

rrects\[cls\].height += rectList\[i\].height;

rweights\[cls\]++;

for( i = 0; i < nclasses; i++ )

Rect r = rrects\[i\];

float s = 1.f/rweights\[i\];

rrects\[i\] = Rect(saturate\_cast<int>(r.x\*s),

saturate\_cast<int>(r.y\*s),

saturate\_cast<int>(r.width\*s),

saturate\_cast<int>(r.height\*s));

for( i = 0; i < nlabels; i++ )

int cls = labels\[i\];

if( (\*weights)\[i\] > rejectLevels\[cls\] )

rejectLevels\[cls\] = (\*weights)\[i\];

rejectWeights\[cls\] = (\*levelWeights)\[i\];

else if( ( (\*weights)\[i\] == rejectLevels\[cls\] ) && ( (\*levelWeights)\[i\] > rejectWeights\[cls\] ) )

rejectWeights\[cls\] = (\*levelWeights)\[i\];

4） 按照groupThreshold合并规则，以及是否存在包含关系输出合并后的矩形

for( i = 0; i < nclasses; i++ )

Rect r1 = rrects\[i\];

int n1 = levelWeights ? rejectLevels\[i\] : rweights\[i\];

double w1 = rejectWeights\[i\];

// 合并的矩形数小于等于组合阈值不进行输出

if( n1 <= groupThreshold )

continue;

// filter out small face rectangles inside large rectangles

for( j = 0; j < nclasses; j++ )

int n2 = rweights\[j\];

if( j == i || n2 <= groupThreshold )

continue;

Rect r2 = rrects\[j\];

int dx = saturate\_cast<int>( r2.width \* eps );

int dy = saturate\_cast<int>( r2.height \* eps );

// 当r1在r2的内部的时候，停止

if( i != j &&

r1.x >= r2.x - dx &&

r1.y >= r2.y - dy &&

r1.x + r1.width <= r2.x + r2.width + dx &&

r1.y + r1.height <= r2.y + r2.height + dy &&

(n2 > std::max(3, n1) || n1 < 3) )

break;

// r1不在r2的内部时j才可能等于nclasses

if( j == nclasses )

rectList.push\_back(r1);

if( weights )

weights->push\_back(n1);

if( levelWeights )

levelWeights->push\_back(w1);

[http_docs.opencv.org_modules_core_doc_clustering.html_partition]: http://docs.opencv.org/modules/core/doc/clustering.html#partition

OpenCV函数解读之groupRectangles

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关 python OpenCV 绘图函数

相关 OpenCV函数解读之groupRectangles

相关 OpenCV原理解读之HAAR+Adaboost

相关 opencv 计时函数

相关 OpenCV中CvSVM部分函数解读

相关 opencv函数（二）

相关 opencv 函数(一)

相关 OpenCV函数记录（一）

相关 OpenCV-------常用函数

相关【opencv_python学习之二.五】如何查看opencv_python的函数说明