OpenCV函数解读之groupRectangles

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

 

备注：本人使用的函数参数介解释

groupRectangles(dst, 1, 0.2);

//参数设置groupRectangles(CV_OUT CV_IN_OUT vector<Rect>& rectList, int groupThreshold, double eps=0.2);
// groupThreshold:组合阈值。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 。若=n，表示（n+1）个及其以上才会进行组合。
//eps=0.2.值越大，越可能容易合并。eps=0 不进行合并

 

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，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);

        }

    }

 

 

版权声明：本文为博主原创文章，未经博主允许不得转载。