首页 > 代码库 > 对opencv MeanShift 融合矩形框的改进
对opencv MeanShift 融合矩形框的改进
OPENCV 中的代码改进，当然要根据自己的实际情况来，OPENCV 中行人检测有两种矩形框的融合算法，这里只对meanshift 方法做改进
如果有更好的方法，希望可以跟我讲下。
对于去除重合部分，我也写了改进，看懂了可以加到自己程序中。
为什么要做局部MeanShift?
图1.全局MeanShift
如图所示：两幅图像距离较近且有多个矩形框，全局MeanShift融合后可能会造成这种结果
而如果用局部融合就能避免这种情况。
/*----------------------------------分数判定：begin--------------------------------------------------*/
//////////////将感兴趣区域归一化后计算HOG特征--begin////////////////////
cvSetImageROI(imageOrigin,r);
IplImage *test=cvCreateImage(cvGetSize(imageOrigin),8,3);
cvCopyImage(imageOrigin,test);
cvResetImageROI(imageOrigin);
IplImage* testTempImg=cvCreateImage(cvSize(40,40),8,3);
cvZero(testTempImg);
cvResize(test,testTempImg);
hog->compute(testTempImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算
Mat another(descriptors);
descriptors.clear();
////////////将感兴趣区域归一化后计算HOG特征--end///////////////
double ret = 0;
ret = ssvm.get_calc_liner(vec_count,var_count,a,another,results,alpha,0)-rho; //计算SVM分数
////////////////////////////
cvReleaseImage(&test);
cvReleaseImage(&testTempImg);
////////////////////////////
if(ret <0)
{
continue; //去掉SVM 分值小于0的图像
}
rc_.push_back(rcc);
weights.push_back(ret);
double rate = max(rcc.width*1.0/40,rcc.height*1.0/40);
//选取长宽最大值，作为尺度，考虑还不够周到，这里改变，Meanshift 全部都要改
//这里还可以改进
foundScales.push_back(rate);
/*----------------------------------分数判定：end--------------------------------------------------*/
//////////上述应该是一个循环，加入多个点//////////////
/////////////////////////融合过程-begin////////////////////////////
//vector<Rect> rc_;//矩形框
// vector<double> weights;//权重，score
// vector<double> foundScales;//放缩尺度
groupRectangles_meanshift1(rc_, weights, foundScales, 0.3, Size(40,40)); //框出来的矩形框进行融合
//groupRectangles_meanshift1该函数在最后定义//
///////////////////////融合过程-end///////////////////////////
//////////////////重合去重第一步：计算融合后的分值//////////////////
for( i = 0; i < rc_.size(); i++ )
{
//加入矩形框
Rect r = rc_[i];
found_filtered.push_back(r);
}
vector<float> found_score(found_filtered.size()); //矩形框的分数
for( i = 0; i < found_filtered.size(); i++ )
{
Rect r = found_filtered[i];
//////////////////////////////////
cvSetImageROI(imageOrigin,r);
IplImage *test=cvCreateImage(cvGetSize(imageOrigin),8,3);
cvCopyImage(imageOrigin,test);
cvResetImageROI(imageOrigin);
IplImage* testTempImg=cvCreateImage(cvSize(40,40),8,3);
cvZero(testTempImg);
cvResize(test,testTempImg);
hog->compute(testTempImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算
Mat another(descriptors);
descriptors.clear();
double ret = 0;
ret= ssvm.get_calc_liner(vec_count,var_count,a,another,results,alpha,0)-rho;
cvReleaseImage(&test);
cvReleaseImage(&testTempImg);
found_score[i]=ret;
////////////////////////////
}
////////重合去重第二步：矩形框内的部分，取分值最大的/////
//////////////////////found_filtered为融合后的矩形框//////////////////////////
for( i = 0; i < found_filtered.size(); i++ )
{
//进行了重合去除，选取附近分值最大矩形框
Rect r = found_filtered[i];
for( j = 0; j < rc_.size(); j++ )
if( j != i && (r & found_filtered[j]).area() == r.area())
{//这里是将重叠的部分，分值小的矩形框的权重设为-1,为了取最大值
if(found_score[i]>found_score[j])
{
found_score[j]=-1;
break;
}
else
{
found_score[i]=-1;
break;
}
}
}
////////重合去重第三步：重叠部分，取分值最大的/////
//////////////////////////////////////////////////////////////////
for( i = 0; i < found_filtered.size(); i++ )
{
//进行了重合去除
Rect r = found_filtered[i];
for( j = 0; j < rc_.size(); j++ )
//判定重合是否大于相较面积的70%（这个比例有待测试）
//判定都为上一步过滤后的结果，可能存在部分相较，但不包含的情况
if( j != i && (r & found_filtered[j]).area() >= r.area()*0.7 &&found_score[j]!=-1&&found_score[i]!=-1)
{//这里是将重叠的部分，分值小的矩形框的权重设为-1
if(found_score[i]>found_score[j])
{
found_score[j]=-1;
break;
}
else
{
found_score[i]=-1;
break;
}
}
}
for(int i=0;i<found_filtered.size();i++)
{
if (found_score[i]==-1)//将分值等于-1的过滤掉
{
continue;
}
Rect r = found_filtered[i];
r.x -= cvRound(r.width*0.05);
r.width = cvRound(r.width*1.05);
r.y -= cvRound(r.height*0.05);
r.height = cvRound(r.height*1.05);
rectangle(img_dst, r.tl(), r.br(), cv::Scalar(0,255,0), 2); //在图像上画矩形框
}
/*-----------------------MeanShift做局部的（源程序是对全局）------------------------*/
//meanshift 融合
class MeanshiftGrouping
{
public:
// MeanshiftGrouping msGrouping(smothing, hits,rectList, hitWeights, 1e-5, 100);//得到
///////////////////////////////////////////////////////////////////////
// msGrouping.getModes(resultHits, resultWeights, 1);
//////////////////////////////////////////////////////////////////////
MeanshiftGrouping(const Point3d& densKer, const vector<Point3d>& posV,const vector<Rect>&list,
const vector<double>& wV, double eps, int maxIter = 20)
{
densityKernel = densKer;
weightsV = wV;
positionsV = posV;
positionsCount = (int)posV.size();
meanshiftV.resize(positionsCount);
distanceV.resize(positionsCount);
iterMax = maxIter;
modeEps = eps;
for (unsigned i = 0; i<positionsV.size(); i++)
{
meanshiftV[i] = getNewValue(positionsV[i],list[i],list);//positionV 只有中点坐标没有长宽。
distanceV[i] = moveToMode(meanshiftV[i],list[i],list);//做最大为iterMax次循环//均值漂移后的值
meanshiftV[i] -= positionsV[i];//这一步后面没用到
}
}
void getModes(vector<Point3d>& modesV, vector<double>& resWeightsV, const double eps)
{
for (size_t i=0; i <distanceV.size(); i++)
{
bool is_found = false;
for(size_t j=0; j<modesV.size(); j++)
{
if ( getDistance(distanceV[i], modesV[j]) < eps)//欧式距离小于阈值
{
is_found=true;
break;
}
}
if (!is_found)
{
modesV.push_back(distanceV[i]);//添加距离较大的点，也就是说两个点距离较大，不是同一个矩形框
}
}
resWeightsV.resize(modesV.size());
for (size_t i=0; i<modesV.size(); i++)
{
resWeightsV[i] = getResultWeight(modesV[i]);//得到点的权值
}
}
protected:
vector<Point3d> positionsV;
vector<double> weightsV;
Point3d densityKernel;
int positionsCount;
vector<Point3d> meanshiftV;
vector<Point3d> distanceV;
int iterMax;
double modeEps;
Point3d getNewValue(const Point3d& inPt ,const Rect inR ,const vector<Rect>list) const
{//inPt 输入三维坐标 、inR 为输入的矩形 list为所有矩形
Point3d resPoint(.0);
Point3d ratPoint(.0);
int value=http://www.mamicode.com/20;//只考虑矩形框四个角差值小于20的点，这个可以自己设定>
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。