TLD（Tracking-Learning-Detection）学习与源码理解之（六）下

  

  //相当于对RectBox进行筛选。并通过BBhull函数得到这些RectBox的最大边界。  

  getOverlappingBoxes(box, num_closest_init);  

  printf("Found %d good boxes, %d bad boxes\n",(int)good_boxes.size(),(int)bad_boxes.size());  

  printf("Best Box: %d %d %d %d\n",best_box.x, best_box.y, best_box.width, best_box.height);  

  printf("Bounding box hull: %d %d %d %d\n", bbhull.x, bbhull.y, bbhull.width, bbhull.height);  

    

  // 正确 Bounding Box  

  lastbox=best_box;  

  lastconf=1;  

  lastvalid=true;  

  //Print  

  fprintf(bb_file,"%d,%d,%d,%d,%f\n",lastbox.x,lastbox.y,lastbox.br().x,lastbox.br().y,lastconf);  

    

  //Prepare Classifier 准备分类器  

  //scales容器里是所有扫描窗口的尺度，由buildGrid()函数初始化  

  classifier.prepare(scales);  

    

  /// 生成数据

  // 生成正数据

  generatePositiveData(frame1, num_warps_init);  

    

  // 设置方差阈值

  Scalar stdev, mean;  

  //统计best_box的均值和标准差  

  ////例如需要提取图像A的某个ROI（感兴趣区域，由矩形框）的话，用Mat类的B=img(ROI)即可提取  

  //frame1(best_box)就表示在frame1中提取best_box区域（目标区域）的图像片  

  meanStdDev(frame1(best_box), mean, stdev);  

    

  //利用积分图像去计算每个待检测窗口的方差  

  //cvIntegral( const CvArr* image, CvArr* sum, CvArr* sqsum=NULL, CvArr* tilted_sum=NULL );  

  //计算积分图像，输入图像，sum积分图像, W+1×H+1，sqsum对象素值平方的积分图像，tilted_sum旋转45度的积分图像  

  //利用积分图像，可以计算在某象素的上－右方的或者旋转的矩形区域中进行求和、求均值以及标准方差的计算，  

  //并且保证运算的复杂度为O(1)。    

  integral(frame1, iisum, iisqsum);  

  //级联分类器模块一：方差检测模块，利用积分图计算每个待检测窗口的方差，方差大于var阈值（目标patch方差的50%）的，  

  //则认为其含有前景目标方差；var 为标准差的平方  

  var = pow(stdev.val[0],2) * 0.5; //getVar(best_box,iisum,iisqsum);  

  cout << "variance: " << var << endl;  

    

  // 检查差异

  //getVar函数通过积分图像计算输入的best_box的方差  

  double vr =  getVar(best_box, iisum, iisqsum)*0.5;  

  cout << "check variance: " << vr << endl;  

    

  // 生成负数据

  generateNegativeData(frame1);  

    

  // 将负蕨分解成训练和测试集（已经洗牌）

  // 将负样本放进 训练和测试集  

  int half = (int)nX.size()*0.5f;  

  // vector::assign函数将区间[start, end)中的值赋值给当前的vector.  

  // 将一半的负样本集 作为 测试集  

  nXT.assign(nX.begin()+half, nX.end());  //nXT; //negative data to Test  

  // 然后将剩下的一半作为训练集  

  nX.resize(half);  

    

  /// 将负NN分解为训练和测试集

  half = (int)nEx.size()*0.5f;  

  nExT.assign(nEx.begin()+half,nEx.end());  

  nEx.resize(half);  

    

  // 合并负数据与正数据并洗牌

  //将负样本和正样本合并，然后打乱  

  vector<pair<vector<int>,int> > ferns_data(nX.size()+pX.size());  

  vector<int> idx = index_shuffle(0, ferns_data.size());  

  int a=0;  

  for (int i=0;i<pX.size();i++){  

      ferns_data[idx[a]] = pX[i];  

      a++;  

  }  

  for (int i=0;i<nX.size();i++){  

      ferns_data[idx[a]] = nX[i];  

      a++;  

  }  

    

  // 数据已经被洗牌，只是把它放在同一个向量中

  vector<cv::Mat> nn_data(nEx.size()+1);  

  nn_data[0] = pEx;  

  for (int i=0;i<nEx.size();i++){  

      nn_data[i+1]= nEx[i];  

  }  

    

  ///Training    

  //训练 集合分类器（森林） 和 最近邻分类器   

  classifier.trainF(ferns_data, 2); //bootstrap = 2  

  classifier.trainNN(nn_data);  

    

  ///Threshold Evaluation on testing sets  

  //用样本在上面得到的 集合分类器（森林） 和 最近邻分类器 中分类，评价得到最好的阈值  

  classifier.evaluateTh(nXT, nExT);  

}  

  

/* Generate Positive data

 * Inputs:

 * - good_boxes (bbP)

 * - best_box (bbP0)

 * - frame (im0)

 * Outputs:

 * - Positive fern features (pX)

 * - Positive NN examples (pEx)

 */  

void TLD::generatePositiveData(const Mat& frame, int num_warps){  

    /*

    CvScalar定义可存放1—4个数值的数值，常用来存储像素，其结构体如下：

    typedef struct CvScalar

    {

        double val[4];

    }CvScalar;

    如果使用的图像是1通道的，则s.val[0]中存储数据

    如果使用的图像是3通道的，则s.val[0]，s.val[1]，s.val[2]中存储数据

    */  

  Scalar mean;   //均值  

  Scalar stdev;   //标准差  

    

  //此函数将frame图像best_box区域的图像片归一化为均值为0的15*15大小的patch，存在pEx正样本中  

  getPattern(frame(best_box), pEx, mean, stdev);  

    

  // 在扭曲的补丁上获取Fern功能

  Mat img;  

  Mat warped;  

  //void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0,   

  //                                    int borderType=BORDER_DEFAULT ) ;  

  //功能：对输入的图像src进行高斯滤波后用dst输出。

 2/10   首页 上一页 1 2 3 4 5 6 下一页 尾页