物体検出¶

FeatureEvaluator¶

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<FeatureEvaluator> 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<FeatureEvaluator> create(int type);
};

cv::FeatureEvaluator::read¶

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．

Parameter:	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

cv::FeatureEvaluator::clone¶

Ptr<FeatureEvaluator> FeatureEvaluator::clone() const¶: 特徴量評価器の完全なコピーを返します．

cv::FeatureEvaluator::getFeatureType¶

int FeatureEvaluator::getFeatureType() const¶: 特徴量タイプ（現在は HAAR か LBP）を返します．

cv::FeatureEvaluator::setImage¶

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．

パラメタ:	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 origWinSize – 学習画像のサイズ

cv::FeatureEvaluator::setWindow¶

CascadeClassifier::runAt()

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）

Parameter:	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

cv::FeatureEvaluator::calcOrd¶

double FeatureEvaluator::calcOrd(int featureIdx) const¶

順序付き（数値）特徴量の値を求めます．

Parameter:	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．

cv::FeatureEvaluator::calcCat¶

int FeatureEvaluator::calcCat(int featureIdx) const¶

カテゴリ特徴量の値を求めます．

Parameter:	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．

cv::FeatureEvaluator::create¶

static Ptr<FeatureEvaluator> FeatureEvaluator::create(int type)¶

特徴量評価器を作成します．

Parameter:	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）

CascadeClassifier¶

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<Rect>& objects,
                           double scaleFactor=1.1, int minNeighbors=3,
                                                   int flags=0, Size minSize=Size());

    bool setImage( Ptr<FeatureEvaluator>&, const Mat& );
    int runAt( Ptr<FeatureEvaluator>&, 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<Stage> stages; // ステージの vector （現在は，BOOST のみ）
    vector<DTree> classifiers; // 決定木の vector
    vector<DTreeNode> nodes; // 木ノードの vector
    vector<float> leaves; // 葉の値の vector
    vector<int> subsets; // カテゴリ特徴量によって分けられた部分集合

    Ptr<FeatureEvaluator> feval; // 特徴評価器へのポインタ
    Ptr<CvHaarClassifierCascade> oldCascade; // pointer to old cascade
};

cv::CascadeClassifier::CascadeClassifier¶

CascadeClassifier::CascadeClassifier(const string& filename)¶

ファイルから分類器を読み込む．

Parameter:	filename – ファイル名．ここから分類器を読み込みます

cv::CascadeClassifier::empty¶

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．

cv::CascadeClassifier::load¶

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．

Parameter:	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

cv::CascadeClassifier::read¶

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．

cv::CascadeClassifier::detectMultiScale¶

void CascadeClassifier::detectMultiScale(const Mat& image, vector<Rect>& 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．

パラメタ:

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
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
scaleFactor – 各画像スケールにおける縮小量を表します
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
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
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

cv::CascadeClassifier::setImage¶

bool CascadeClassifier::setImage(Ptr<FeatureEvaluator>& 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）．

パラメタ:	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 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

cv::CascadeClassifier::runAt¶

int CascadeClassifier::runAt(Ptr<FeatureEvaluator>& 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）．

パラメタ:	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 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．

cv::groupRectangles¶

void groupRectangles(vector<Rect>& rectList, int groupThreshold, double eps=0.2)¶

物体候補の矩形をグループ化します．．

パラメタ:	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 groupThreshold – 矩形グループにおいて，最低限保持すべき矩形の数 - 1 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 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． $\texttt{eps}\rightarrow +\inf$ 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．

cv::matchTemplate¶

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．

パラメタ:

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
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
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 $W \times H$ で， templ が $w \times h$ とすると result は $(W-w+1) \times (H-h+1)$ となります
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 $w \times h$ 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（ $I$ は画像を， $T$ はテンプレートを， $R$ 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： $x' = 0...w-1, y' = 0...h-1$

method=CV_TM_SQDIFF

$R(x,y)= \sum _{x',y'} (T(x',y')-I(x+x',y+y'))^2$
method=CV_TM_SQDIFF_NORMED

$R(x,y)= \frac{\sum_{x',y'} (T(x',y')-I(x+x',y+y'))^2}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}$
method=CV_TM_CCORR

$R(x,y)= \sum _{x',y'} (T(x',y') \cdot I(x+x',y+y'))$
method=CV_TM_CCORR_NORMED

$R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I'(x+x',y+y'))}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}$
method=CV_TM_CCOEFF

$R(x,y)= \sum _{x',y'} (T'(x',y') \cdot I(x+x',y+y'))$

where

$\begin{array}{l} T'(x',y')=T(x',y') - 1/(w \cdot h) \cdot \sum _{x'',y''} T(x'',y'') \\ I'(x+x',y+y')=I(x+x',y+y') - 1/(w \cdot h) \cdot \sum _{x'',y''} I(x+x'',y+y'') \end{array}$
method=CV_TM_CCOEFF_NORMED

$R(x,y)= \frac{ \sum_{x',y'} (T'(x',y') \cdot I'(x+x',y+y')) }{ \sqrt{\sum_{x',y'}T'(x',y')^2 \cdot \sum_{x',y'} I'(x+x',y+y')^2} }$

この関数による比較の後，関数 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．

物体検出¶

FeatureEvaluator¶

cv::FeatureEvaluator::read¶

cv::FeatureEvaluator::clone¶

cv::FeatureEvaluator::getFeatureType¶

cv::FeatureEvaluator::setImage¶

cv::FeatureEvaluator::setWindow¶

cv::FeatureEvaluator::calcOrd¶

cv::FeatureEvaluator::calcCat¶

cv::FeatureEvaluator::create¶

CascadeClassifier¶

cv::CascadeClassifier::CascadeClassifier¶

cv::CascadeClassifier::empty¶

cv::CascadeClassifier::load¶

cv::CascadeClassifier::read¶

cv::CascadeClassifier::detectMultiScale¶

cv::CascadeClassifier::setImage¶

cv::CascadeClassifier::runAt¶

cv::groupRectangles¶

cv::matchTemplate¶

ヘルプとフィードバック

目次

前のトピックへ

次のトピックへ

このページ

ナビゲーション

物体検出¶

FeatureEvaluator¶

cv::FeatureEvaluator::read¶

cv::FeatureEvaluator::clone¶

cv::FeatureEvaluator::getFeatureType¶

cv::FeatureEvaluator::setImage¶

cv::FeatureEvaluator::setWindow¶

cv::FeatureEvaluator::calcOrd¶

cv::FeatureEvaluator::calcCat¶

cv::FeatureEvaluator::create¶

CascadeClassifier¶

cv::CascadeClassifier::CascadeClassifier¶

cv::CascadeClassifier::empty¶

cv::CascadeClassifier::load¶

cv::CascadeClassifier::read¶

cv::CascadeClassifier::detectMultiScale¶

cv::CascadeClassifier::setImage¶

cv::CascadeClassifier::runAt¶

cv::groupRectangles¶

cv::matchTemplate¶

ヘルプとフィードバック

目次

前のトピックへ

次のトピックへ

このページ

クイック検索

ナビゲーション