物体検出 ============ .. highlight:: cpp .. index:: FeatureEvaluator .. _FeatureEvaluator: FeatureEvaluator ---------------- .. ctype:: FeatureEvaluator カスケード分類器で特徴量を求めるための基底クラス． :: class CV_EXPORTS FeatureEvaluator { public: enum { HAAR = 0, LBP = 1 }; // サポートされる特徴タイプ virtual ~FeatureEvaluator(); // デストラクタ virtual bool read(const FileNode& node); virtual Ptr clone() const; virtual int getFeatureType() const; virtual bool setImage(const Mat& img, Size origWinSize); virtual bool setWindow(Point p); virtual double calcOrd(int featureIdx) const; virtual int calcCat(int featureIdx) const; static Ptr create(int type); }; .. .. index:: FeatureEvaluator::read cv::FeatureEvaluator::read -------------------------- .. cfunction:: bool FeatureEvaluator::read(const FileNode\& node) FileStorage ノードから，特徴量パラメータを読み込みます． :param node: ファイルノード．ここから特徴量パラメータが読み出されます .. index:: FeatureEvaluator::clone cv::FeatureEvaluator::clone --------------------------- .. cfunction:: Ptr FeatureEvaluator::clone() const 特徴量評価器の完全なコピーを返します． .. index:: FeatureEvaluator::getFeatureType cv::FeatureEvaluator::getFeatureType ------------------------------------ .. cfunction:: int FeatureEvaluator::getFeatureType() const 特徴量タイプ（現在は HAAR か LBP）を返します． .. index:: FeatureEvaluator::setImage cv::FeatureEvaluator::setImage ------------------------------ .. cfunction:: bool FeatureEvaluator::setImage(const Mat\& img, Size origWinSize) 特徴量を求める対象となる画像をセットします． :param img: ``CV_8UC1`` 型の行列．ここにセットされた画像の特徴を求めます :param origWinSize: 学習画像のサイズ .. index:: FeatureEvaluator::setWindow cv::FeatureEvaluator::setWindow ------------------------------- :func:`CascadeClassifier::runAt` .. cfunction:: bool FeatureEvaluator::setWindow(Point p) 現在の画像上に，特徴量を計算する探索窓をセットします（ によって呼び出されます） :param p: 探索窓の左上角の座標．この探索窓の中の特徴量が計算されます．探索窓のサイズは，学習画像と同じです .. index:: FeatureEvaluator::calcOrd cv::FeatureEvaluator::calcOrd ----------------------------- .. cfunction:: double FeatureEvaluator::calcOrd(int featureIdx) const 順序付き（数値）特徴量の値を求めます． :param featureIdx: 値を求める特徴量のインデックス 求められた順序付き特徴量の値を返します． .. index:: FeatureEvaluator::calcCat cv::FeatureEvaluator::calcCat ----------------------------- .. cfunction:: int FeatureEvaluator::calcCat(int featureIdx) const カテゴリ特徴量の値を求めます． :param featureIdx: 値を求める特徴量のインデックス 求められたカテゴリ特徴量，つまり [0,... (カテゴリ数 - 1)] の範囲内の値を返します． .. index:: FeatureEvaluator::create cv::FeatureEvaluator::create ---------------------------- .. cfunction:: static Ptr FeatureEvaluator::create(int type) 特徴量評価器を作成します． :param type: カスケードによって評価される特徴量の種類（現在は，HAAR または LBP のどちらか） .. index:: CascadeClassifier .. _CascadeClassifier: CascadeClassifier ----------------- .. ctype:: CascadeClassifier 物体検出のためのカスケード分類器クラス． :: class CascadeClassifier { public: // 木ノードを表す構造体 struct CV_EXPORTS DTreeNode { int featureIdx; // 分岐となる特徴量インデックス float threshold; // 順序付き特徴量に対する分岐の閾値 int left; // 木ノード配列において，左側にある子ノードのインデックス int right; // 木ノード配列において，右側にある子ノードのインデックス }; // 決定木を表す構造体 struct CV_EXPORTS DTree { int nodeCount; // ノード数 }; // カスケードステージ（現在のところ BOOST のみ）を表す構造体 struct CV_EXPORTS Stage { int first; // 木配列における，最初の木のインデックス int ntrees; // 木の数 float threshold; // ステージの閾値 }; enum { BOOST = 0 }; // サポートされるステージの種類 // 検出のモード（HaarDetectObjects 関数のパラメータ flags を参照してください） enum { DO_CANNY_PRUNING = CV_HAAR_DO_CANNY_PRUNING, SCALE_IMAGE = CV_HAAR_SCALE_IMAGE, FIND_BIGGEST_OBJECT = CV_HAAR_FIND_BIGGEST_OBJECT, DO_ROUGH_SEARCH = CV_HAAR_DO_ROUGH_SEARCH }; CascadeClassifier(); // デフォルトコンストラクタ CascadeClassifier(const string& filename); ~CascadeClassifier(); // デストラクタ bool empty() const; bool load(const string& filename); bool read(const FileNode& node); void detectMultiScale( const Mat& image, vector& objects, double scaleFactor=1.1, int minNeighbors=3, int flags=0, Size minSize=Size()); bool setImage( Ptr&, const Mat& ); int runAt( Ptr&, Point ); bool is_stump_based; // 木が stump の場合は true int stageType; // ステージの種類（現在は，BOOST のみ） int featureType; // 特徴量の種類（現在は，HAAR または LBP のどちらか） int ncategories; // カテゴリ数（カテゴリ特徴量の場合のみ） Size origWinSize; // 学習画像のサイズ vector stages; // ステージの vector （現在は，BOOST のみ） vector classifiers; // 決定木の vector vector nodes; // 木ノードの vector vector leaves; // 葉の値の vector vector subsets; // カテゴリ特徴量によって分けられた部分集合 Ptr feval; // 特徴評価器へのポインタ Ptr oldCascade; // pointer to old cascade }; .. .. index:: CascadeClassifier::CascadeClassifier cv::CascadeClassifier::CascadeClassifier ---------------------------------------- .. cfunction:: CascadeClassifier::CascadeClassifier(const string\& filename) ファイルから分類器を読み込む． :param filename: ファイル名．ここから分類器を読み込みます .. index:: CascadeClassifier::empty cv::CascadeClassifier::empty ---------------------------- .. cfunction:: bool CascadeClassifier::empty() const 分類器が読み込まれたか否かをチェックします． .. index:: CascadeClassifier::load cv::CascadeClassifier::load --------------------------- .. cfunction:: bool CascadeClassifier::load(const string\& filename) ファイルから分類器を読み込みます．以前の内容は破棄されます． :param filename: ファイル名．ここから分類器を読み込みます．ファイルには（haartraining アプリケーションによって学習された）古い haar 分類器，または（traincascade アプリケーションによって学習された）新しいカスケード分類器が保存されている場合があります .. index:: CascadeClassifier::read cv::CascadeClassifier::read --------------------------- .. cfunction:: bool CascadeClassifier::read(const FileNode\& node) ファイルストレージノードから分類器を読み込みます．ファイルには，（traincascade アプリケーションによって学習された）新しいカスケード分類器しか保存されていません． .. index:: CascadeClassifier::detectMultiScale cv::CascadeClassifier::detectMultiScale --------------------------------------- .. cfunction:: void CascadeClassifier::detectMultiScale( const Mat\& image, vector\& objects, double scaleFactor=1.1, int minNeighbors=3, int flags=0, Size minSize=Size()) 入力画像中から異なるサイズの物体を検出します．検出された物体は，矩形のリストとして返されます． :param image: ``CV_8U`` 型の行列．ここに格納されている画像中から物体が検出されます :param objects: 矩形を要素とするベクトル．それぞれの矩形は，検出した物体を含みます :param scaleFactor: 各画像スケールにおける縮小量を表します :param minNeighbors: 物体候補となる矩形は，最低でもこの数だけの近傍矩形を含む必要があります :param flags: このパラメータは，新しいカスケードでは利用されません．古いカスケードに対しては，cvHaarDetectObjects 関数の場合と同じ意味を持ちます :param minSize: 物体が取り得る最小サイズ．これよりも小さい物体は無視されます .. index:: CascadeClassifier::setImage cv::CascadeClassifier::setImage ------------------------------- .. cfunction:: bool CascadeClassifier::setImage( Ptr\& feval, const Mat\& image ) 画像をセットします（各レベルの画像において detectMultiScale から呼び出されます）． :param feval: 特徴量を計算するために用いられる特徴評価器へのポインタ :param image: ``CV_8UC1`` 型の行列．ここに格納されている画像中の特徴量が求められます .. index:: CascadeClassifier::runAt cv::CascadeClassifier::runAt ---------------------------- .. cfunction:: int CascadeClassifier::runAt( Ptr\& feval, Point pt ) 画像の指定位置で検出器を実行します（検出器の動作対象となる画像は，setImage によってセットされている必要があります）． :param feval: 特徴量を計算するために用いられる特徴評価器へのポインタ :param pt: 探索窓の左上角の座標．この探索窓の中の特徴量が計算されます．探索窓のサイズは，学習画像と同じです 以下を返します： 1 - カスケード分類器が，指定位置で物体を検出した場合． -si - それ以外の場合．si は，与えられた探索窓位置が背景画像であると最初に予測したステージのインデックスです． .. index:: groupRectangles cv::groupRectangles ------------------- .. cfunction:: void groupRectangles(vector\& rectList, int groupThreshold, double eps=0.2) 物体候補の矩形をグループ化します．． :param rectList: 矩形の入出力ベクトル．出力の場合，グループ化された矩形を格納します :param groupThreshold: 矩形グループにおいて，最低限保持すべき矩形の数 - 1 :param eps: 1つのグループにマージするための，矩形端同士の相対的差異 この関数は，汎用関数 :func:`partition` のラッパです．これは，矩形が同一と見なせるかどうかの基準を利用して，すべての入力矩形をクラスタリングします．つまり，同じようなサイズで同じような位置にある（この類似性は ``eps`` で定義されます）矩形を結合します． ``eps=0`` の場合，クラスタリングは全く行われません． :math:`\texttt{eps}\rightarrow +\inf` ならば，すべての矩形が1つのクラスタに入れられます． また， ``groupThreshold`` 個以下の矩形しか含まないような小さいクラスタは，棄却されます．それぞれのクラスタにおいて平均矩形が計算され，出力の矩形リストに書き出されます． .. index:: matchTemplate cv::matchTemplate ----------------- .. cfunction:: void matchTemplate( const Mat\& image, const Mat\& templ, Mat\& result, int method ) テンプレートと，それに重なった画像領域とを比較します． :param image: テンプレートの探索対象となる画像．8ビットまたは32ビットの浮動小数点型 :param templ: 探索されるテンプレート．探索対象となる画像以下のサイズで，同じデータ型でなければいけません :param result: 比較結果のマップ．シングルチャンネル，32ビット，浮動小数点型． ``image`` が :math:`W \times H` で， ``templ`` が :math:`w \times h` とすると ``result`` は :math:`(W-w+1) \times (H-h+1)` となります :param method: 比較手法の指定（以下の説明を参照してください） この関数は ``templ`` を ``image`` 全体に対してスライドさせ，それと重なる :math:`w \times h` の領域とを指定された方法で比較し，その結果を ``result`` に保存します．以下に，この関数で指定可能な比較手法を表す式を示します（ :math:`I` は画像を， :math:`T` はテンプレートを， :math:`R` は結果をそれぞれ表します．総和計算は，以下のようにテンプレートと（または）画像領域に対して行われます： :math:`x' = 0...w-1, y' = 0...h-1` * method=CV\_TM\_SQDIFF .. math:: R(x,y)= \sum _{x',y'} (T(x',y')-I(x+x',y+y'))^2 * method=CV\_TM\_SQDIFF\_NORMED .. math:: R(x,y)= \frac{\sum_{x',y'} (T(x',y')-I(x+x',y+y'))^2}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}} * method=CV\_TM\_CCORR .. math:: R(x,y)= \sum _{x',y'} (T(x',y') \cdot I(x+x',y+y')) * method=CV\_TM\_CCORR\_NORMED .. math:: R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I'(x+x',y+y'))}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}} * method=CV\_TM\_CCOEFF .. math:: R(x,y)= \sum _{x',y'} (T'(x',y') \cdot I(x+x',y+y')) where .. math:: \begin{array}{l} T'(x',y')=T(x',y') - 1/(w \cdot h) \cdot \sum _{x'',y''} T(x'',y'') \\ I'(x+x',y+y')=I(x+x',y+y') - 1/(w \cdot h) \cdot \sum _{x'',y''} I(x+x'',y+y'') \end{array} * method=CV\_TM\_CCOEFF\_NORMED .. math:: R(x,y)= \frac{ \sum_{x',y'} (T'(x',y') \cdot I'(x+x',y+y')) }{ \sqrt{\sum_{x',y'}T'(x',y')^2 \cdot \sum_{x',y'} I'(x+x',y+y')^2} } この関数による比較の後，関数 :func:`minMaxLoc` を用いて，大域的最小値（ ``CV_TM_SQDIFF`` の場合）あるいは大域的最大値（ ``CV_TM_CCORR`` や ``CV_TM_CCOEFF`` の場合）を検出することでベストマッチを得ることができます．カラー画像の場合，分母・分子それぞれの総和計算は全てのチャンネルについて行われます（各チャンネルで用いる平均値はそれぞれ異なります）．つまり，この関数はカラーテンプレートやカラー画像をとることができます．結果はシングルチャンネル画像のままで，簡単に分析できます．