カスケード型分類器

FeatureEvaluator

Comments from the Wiki

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

Comments from the Wiki

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．

パラメタ:

• 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

Comments from the Wiki

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

Comments from the Wiki

int FeatureEvaluator::getFeatureType() const

特徴量タイプ（現在は HAAR か LBP）を返します．

cv::FeatureEvaluator::setImage

Comments from the Wiki

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

Comments from the Wiki

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）

パラメタ:

• 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

Comments from the Wiki

double FeatureEvaluator::calcOrd(int featureIdx) const

順序付き（数値）特徴量の値を求めます．

パラメタ:

• 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

Comments from the Wiki

int FeatureEvaluator::calcCat(int featureIdx) const

カテゴリ特徴量の値を求めます．

パラメタ:

• 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

Comments from the Wiki

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

特徴量評価器を作成します．

パラメタ:

• 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

Comments from the Wiki

CascadeClassifier

オブジェクト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

Comments from the Wiki

CascadeClassifier::CascadeClassifier(const string& filename)

ファイルから分類器を読み込む．

パラメタ:

• filename – ファイル名．ここから分類器を読み込みます

cv::CascadeClassifier::empty

Comments from the Wiki

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

Comments from the Wiki

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．

パラメタ:

• 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

Comments from the Wiki

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

Comments from the Wiki

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オブジェクトを検出します．検出されたオブジェクトは，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オブジェクトが検出されます
• objects – 矩形を要素とするベクトル．それぞれの矩形は，検出したオブジェクトを含みます
• scaleFactor – 各画像スケールにおける縮小量を表します
• minNeighbors – オブジェクト候補となる矩形は，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 – オブジェクトが取り得る最小サイズ．これよりも小さいオブジェクトは無視されます

cv::CascadeClassifier::setImage

Comments from the Wiki

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

Comments from the Wiki

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，指定位置でオブジェクトを検出した場合． -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

Comments from the Wiki

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

オブジェクト候補を表す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 の値．
• 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． 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．