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

      }  

  }  

}  

  

//利用剩下的这不到一半的跟踪点输入来预测bounding box在当前帧的位置和大小  

void TLD::bbPredict(const vector<cv::Point2f>& points1,const vector<cv::Point2f>& points2,  

                    const BoundingBox& bb1,BoundingBox& bb2)    {  

  int npoints = (int)points1.size();  

  vector<float> xoff(npoints);  //位移  

  vector<float> yoff(npoints);  

  printf("tracked points : %d\n", npoints);  

  for (int i=0;i<npoints;i++){   //计算每个特征点在两帧之间的位移  

      xoff[i]=points2[i].x - points1[i].x;  

      yoff[i]=points2[i].y - points1[i].y;  

  }  

  float dx = median(xoff);   //计算位移的中值  

  float dy = median(yoff);  

  float s;  

  //计算bounding box尺度scale的变化：通过计算 当前特征点相互间的距离 与 先前（上一帧）特征点相互间的距离 的  

  //比值，以比值的中值作为尺度的变化因子  

  if (npoints>1){  

      vector<float> d;  

      d.reserve(npoints*(npoints-1)/2);  //等差数列求和：1+2+...+(npoints-1)  

      for (int i=0;i<npoints;i++){  

          for (int j=i+1;j<npoints;j++){  

          //计算 当前特征点相互间的距离 与 先前（上一帧）特征点相互间的距离 的比值（位移用绝对值）  

              d.push_back(norm(points2[i]-points2[j])/norm(points1[i]-points1[j]));  

          }  

      }  

      s = median(d);  

  }  

  else {  

      s = 1.0;  

  }  

  

  float s1 = 0.5*(s-1)*bb1.width;  

  float s2 = 0.5*(s-1)*bb1.height;  

  printf("s= %f s1= %f s2= %f \n", s, s1, s2);  

    

  //得到当前bounding box的位置与大小信息  

  //当前box的x坐标 = 前一帧box的x坐标 + 全部特征点位移的中值（可理解为box移动近似的位移） - 当前box宽的一半  

  bb2.x = round( bb1.x + dx - s1);  

  bb2.y = round( bb1.y + dy -s2);  

  bb2.width = round(bb1.width*s);  

  bb2.height = round(bb1.height*s);  

  printf("predicted bb: %d %d %d %d\n",bb2.x,bb2.y,bb2.br().x,bb2.br().y);  

}  

  

void TLD::detect(const cv::Mat& frame){  

  // 清理

  dbb.clear();  

  dconf.clear();  

  dt.bb.clear();  

  //GetTickCount返回从操作系统启动到现在所经过的时间  

  double t = (double)getTickCount();  

  Mat img(frame.rows, frame.cols, CV_8U);  

  integral(frame,iisum,iisqsum);   //计算frame的积分图   

  GaussianBlur(frame,img,Size(9,9),1.5);  //高斯模糊，去噪？  

  int numtrees = classifier.getNumStructs();  

  float fern_th = classifier.getFernTh(); //getFernTh()返回thr_fern; 集合分类器的分类阈值  

  vector <int> ferns(10);  

  float conf;  

  int a=0;  

  Mat patch;  

  //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  

  for (int i=0; i<grid.size(); i++){  //FIXME: BottleNeck 瓶颈  

      if (getVar(grid[i],iisum,iisqsum) >= var){  //计算每一个扫描窗口的方差  

          a++;  

          //级联分类器模块二：集合分类器检测模块  

          patch = img(grid[i]);  

          classifier.getFeatures(patch,grid[i].sidx,ferns); //得到该patch特征（13位的二进制代码）  

          conf = classifier.measure_forest(ferns);  //计算该特征值对应的后验概率累加值  

          tmp.conf[i]=conf;   //Detector data中定义TempStruct tmp;   

          tmp.patt[i]=ferns;  

          //如果集合分类器的后验概率的平均值大于阈值fern_th（由训练得到），就认为含有前景目标  

          if (conf > numtrees*fern_th){    

              dt.bb.push_back(i);  //将通过以上两个检测模块的扫描窗口记录在detect structure中  

          }  

      }  

      else  

        tmp.conf[i]=0.0;  

  }  

  int detections = dt.bb.size();  

  printf("%d Bounding boxes passed the variance filter\n",a);  

  printf("%d Initial detection from Fern Classifier\n", detections);  

    

  //如果通过以上两个检测模块的扫描窗口数大于100个，则只取后验概率大的前100个  

  if (detections>100){   //CComparator(tmp.conf)指定比较方式？？？  

      nth_element(dt.bb.begin(), dt.bb.begin()+100, dt.bb.end(), CComparator(tmp.conf));  

      dt.bb.resize(100);  

      detections=100;  

  }  

//  for (int i=0;i<detections;i++){  

//        drawBox(img,grid[dt.bb[i]]);  

//    }  

//  imshow("detections",img);  

  if (detections==0){  

        detected=false;  

        return;  

      }  

  printf("Fern detector made %d detections ",detections);  

    

  //两次使用getTickCount()，然后再除以getTickFrequency()，计算出来的是以秒s为单位的时间（opencv 2.0 以前是ms）  

  t=(double)getTickCount()-t;    

  printf("in %gms\n", t*1000/getTickFrequency());  //打印以上代码运行使用的毫秒数  

    

  //  初始化检测结构

  dt.patt = vector<vector<int> >(detections,vector<int>(10,0));        //  合奏分类器的相应代码

  dt.conf1 = vector<float>(detections);                                

 6/10   首页 上一页 4 5 6 7 8 9 下一页 尾页