TLD（Tracking-Learning-Detection）学习与源码理解之（七）

    TLD（Tracking-Learning-Detection）学习与源码理解之（七）

[e-mail]

http://blog.csdn.net/zouxy09

 

下面是自己在看论文和这些大牛的分析过程中，对代码进行了一些理解，但是由于自己接触图像处理和机器视觉没多久，另外由于自己编程能力比较弱，所以分析过程可能会有不少的错误，希望各位不吝指正。而且，因为编程很多地方不懂，所以注释得非常乱，还海涵。

 

 

FerNNClassifier.h

/* * FerNNClassifier.h * *  Created on: Jun 14, 2011 *      Author: alantrrs */#include <opencv2/opencv.hpp>#include <stdio.h>class FerNNClassifier{private:  //下面这些参数通过程序开始运行时读入parameters.yml文件进行初始化  float thr_fern;  int structSize;  int nstructs;  float valid;  float ncc_thesame;  float thr_nn;  int acum;public:  //Parameters  float thr_nn_valid;  void read(const cv::FileNode& file);  void prepare(const std::vector<cv::Size>& scales);  void getFeatures(const cv::Mat& image,const int& scale_idx,std::vector<int>& fern);  void update(const std::vector<int>& fern, int C, int N);  float measure_forest(std::vector<int> fern);  void trainF(const std::vector<std::pair<std::vector<int>,int> >& ferns,int resample);  void trainNN(const std::vector<cv::Mat>& nn_examples);  void NNConf(const cv::Mat& example,std::vector<int>& isin,float& rsconf,float& csconf);  void evaluateTh(const std::vector<std::pair<std::vector<int>,int> >& nXT,const std::vector<cv::Mat>& nExT);  void show();  //Ferns Members  int getNumStructs(){return nstructs;}  float getFernTh(){return thr_fern;}  float getNNTh(){return thr_nn;}    struct Feature   //特征结构体      {          uchar x1, y1, x2, y2;          Feature() : x1(0), y1(0), x2(0), y2(0) {}          Feature(int _x1, int _y1, int _x2, int _y2)          : x1((uchar)_x1), y1((uchar)_y1), x2((uchar)_x2), y2((uchar)_y2)          {}          bool operator ()(const cv::Mat& patch) const          {     //二维单通道元素可以用Mat::at(i, j)访问，i是行序号，j是列序号//返回的patch图像片在(y1,x1)和(y2, x2)点的像素比较值，返回0或者1return patch.at<uchar>(y1,x1) > patch.at<uchar>(y2, x2);   }      };  //Ferns（蕨类植物：有根、茎、叶之分，不具花）features 特征组？  std::vector<std::vector<Feature> > features; //Ferns features (one std::vector for each scale)  std::vector< std::vector<int> > nCounter; //negative counter  std::vector< std::vector<int> > pCounter; //positive counter  std::vector< std::vector<float> > posteriors; //Ferns posteriors  float thrN; //Negative threshold  float thrP;  //Positive thershold    //NN Members  std::vector<cv::Mat> pEx; //NN positive examples  std::vector<cv::Mat> nEx; //NN negative examples};

 

 

FerNNClassifier.cpp

/* * FerNNClassifier.cpp * *  Created on: Jun 14, 2011 *      Author: alantrrs */#include <FerNNClassifier.h>using namespace cv;using namespace std;void FerNNClassifier::read(const FileNode& file){  ///Classifier Parameters  //下面这些参数通过程序开始运行时读入parameters.yml文件进行初始化  valid = (float)file["valid"];  ncc_thesame = (float)file["ncc_thesame"];  nstructs = (int)file["num_trees"];   //树木（由一个特征组构建，每组特征代表图像块的不同视图表示）的个数  structSize = (int)file["num_features"];  //每棵树的特征个数，也即每棵树的节点个数；树上每一个特征都作为一个决策节点  thr_fern = (float)file["thr_fern"];  thr_nn = (float)file["thr_nn"];  thr_nn_valid = (float)file["thr_nn_valid"];}void FerNNClassifier::prepare(const vector<Size>& scales){  acum = 0;  //Initialize test locations for features  int totalFeatures = nstructs * structSize;  //二维向量  包含全部尺度（scales）的扫描窗口，每个尺度包含totalFeatures个特征  features = vector<vector<Feature> >(scales.size(), vector<Feature> (totalFeatures));   //opencv中自带的一个随机数发生器的类RNG  RNG& rng = theRNG();    float x1f,x2f,y1f,y2f;  int x1, x2, y1, y2;  //集合分类器基于n个基本分类器，每个分类器都是基于一个pixel comparisons（像素比较集）的；  //pixel comparisons的产生方法：先用一个归一化的patch去离散化像素空间，产生所有可能的垂直和水平的pixel comparisons  //然后我们把这些pixel comparisons随机分配给n个分类器，每个分类器得到完全不同的pixel comparisons（特征集合），  //这样，所有分类器的特征组统一起来就可以覆盖整个patch了    //用随机数去填充每一个尺度扫描窗口的特征  for (int i=0;i<totalFeatures;i++){      x1f = (float)rng;      y1f = (float)rng;      x2f = (float)rng;      y2f = (float)rng;      for (int s=0; s<scales.size(); s++){          x1 = x1f * scales[s].width;          y1 = y1f * scales[s].height;          x2 = x2f * scales[s].width;          y2 = y2f * scales[s].height;  //第s种尺度的第i个特征  两个随机分配的像素点坐标          features[s][i] = Feature(x1, y1, x2, y2);      }  }  //Thresholds  thrN = 0.5 * nstructs;  //Initialize Posteriors  初始化后验概率  //后验概率指每一个分类器对传入的图像片进行像素对比，每一个像素对比得到0或者1，所有的特征13个comparison对比，  //连成一个13位的二进制代码x，然后索引到一个记录了后验概率的数组P(y|x)，y为0或者1（二分类），也就是出现x的  //基础上，该图像片为y的概率是多少对n个基本分类器的后验概率做平均，大于0.5则判定其含有目标  for (int i = 0; i<nstructs; i++) {  //每一个每类器维护一个后验概率的分布，这个分布有2^d个条目（entries），这里d是像素比较pixel comparisons  //的个数，这里是structSize，即13个comparison，所以会产生2^13即8,192个可能的code，每一个code对应一个后验概率  //后验概率P(y|x)= #p/(#p+#n) ,#p和#n分别是正和负图像片的数目，也就是下面的pCounter和nCounter  //初始化时，每个后验概率都得初始化为0；运行时候以下面方式更新：已知类别标签的样本（训练样本）通过n个分类器  //进行分类，如果分类结果错误，那么响应的#p和#n就会更新，这样P(y|x)也相应更新了      posteriors.push_back(vector<float>(pow(2.0,structSize), 0));      pCounter.push_back(vector<int>(pow(2.0,structSize), 0));      nCounter.push_back(vector<int>(pow(2.0,structSize), 0));  }}//该函数得到输入的image的用于树的节点，也就是特征组的特征（13位的二进制代码）void FerNNClassifier::getFeatures(const cv::Mat& image, const int& scale_idx, vector<int>& fern){  int leaf;  //叶子  树的最终节点  //每一个每类器维护一个后验概率的分布，这个分布有2^d个条目（entries），这里d是像素比较pixel comparisons  //的个数，这里是structSize，即13个comparison，所以会产生2^13即8,192个可能的code，每一个code对应一个后验概率  for (int t=0; t<nstructs; t++){  //nstructs 表示树的个数 10      leaf=0;      for (int f=0; f<structSize; f++){  //表示每棵树特征的个数 13    //struct Feature 特征结构体有一个运算符重载 bool operator ()(const cv::Mat& patch) const//返回的patch图像片在(y1,x1)和(y2, x2)点的像素比较值，返回0或者1//然后leaf就记录了这13位的二进制代码，作为特征          leaf = (leaf << 1) + features[scale_idx][t*nstructs+f](image);      }      fern[t] = leaf;   }}float FerNNClassifier::measure_forest(vector<int> fern) {  float votes = 0;  for (int i = 0; i < nstructs; i++) {     // 后验概率posteriors[i][idx] = ((float)(pCounter[i][idx]))/(pCounter[i][idx] + nCounter[i][idx]);      votes += posteriors[i][fern[i]];   //每棵树的每个特征值对应的后验概率累加值 作投票值？？  }  return votes;}//更新正负样本数，同时更新后验概率void FerNNClassifier::update(const vector<int>& fern, int C, int N) {  int idx;  for (int i = 0; i < nstructs; i++) {      idx = fern[i];      (C==1) ? pCounter[i][idx] += N : nCounter[i][idx] += N;      if (pCounter[i][idx]==0) {          posteriors[i][idx] = 0;      } else {          posteriors[i][idx] = ((float)(pCounter[i][idx]))/(pCounter[i][idx] + nCounter[i][idx]);      }  }}//训练集合分类器（n个基本分类器集合）void FerNNClassifier::trainF(const vector<std::pair<vector<int>,int> >& ferns,int resample){  // Conf = function(2,X,Y,Margin,Bootstrap,Idx)  //                 0 1 2 3      4         5  //  double *X     = mxGetPr(prhs[1]); -> ferns[i].first  //  int numX      = mxGetN(prhs[1]);  -> ferns.size()  //  double *Y     = mxGetPr(prhs[2]); ->ferns[i].second  //  double thrP   = *mxGetPr(prhs[3]) * nTREES; ->threshold*nstructs  //  int bootstrap = (int) *mxGetPr(prhs[4]); ->resample    //thr_fern: 0.6 thrP定义为Positive thershold  thrP = thr_fern * nstructs;                                    // int step = numX / 10;  //for (int j = 0; j < resample; j++) {                      // for (int j = 0; j < bootstrap; j++) {      for (int i = 0; i < ferns.size(); i++){               //   for (int i = 0; i < step; i++) {                                                            //     for (int k = 0; k < 10; k++) {                                                            //       int I = k*step + i;//box index                                                            //       double *x = X+nTREES*I; //tree index          if(ferns[i].second==1){    //为1表示正样本        //       if (Y[I] == 1) {      //measure_forest函数返回所有树的所有特征值对应的后验概率累加值  //该累加值如果小于正样本阈值，也就是是输入的是正样本，却被分类成负样本了  //出现分类错误，所以就把该样本添加到正样本库，同时更新后验概率              if(measure_forest(ferns[i].first) <= thrP)      //         if (measure_forest(x) <= thrP)  ////更新正样本数，同时更新后验概率                update(ferns[i].first, 1, 1);                 //             update(x,1,1);          }else{                                            //        }else{              if (measure_forest(ferns[i].first) >= thrN)   //         if (measure_forest(x) >= thrN)                update(ferns[i].first, 0, 1);                 //             update(x,0,1);          }      }  //}}//训练最近邻分类器void FerNNClassifier::trainNN(const vector<cv::Mat>& nn_examples){  float conf, dummy;  vector<int> y(nn_examples.size(),0); //vector<T> v3(n, i); v3包含n个值为i的元素。y数组元素初始化为0  y[0]=1;  //上面说到调用trainNN这个函数传入的nn_data样本集，只有一个pEx，在nn_data[0]  vector<int> isin;  for (int i=0; i<nn_examples.size(); i++){                          //  For each example      //计算输入图像片与在线模型之间的相关相似度conf      NNConf(nn_examples[i], isin, conf, dummy);                      //  Measure Relative similarity  //thr_nn: 0.65 阈值  //标签是正样本，如果相关相似度小于0.65 ，则认为其不含有前景目标，也就是分类错误了；这时候就把它加到正样本库      if (y[i]==1 && conf <= thr_nn){                                //    if y(i) == 1 && conf1 <= tld.model.thr_nn % 0.65          if (isin[1]<0){                                          //      if isnan(isin(2))              pEx = vector<Mat>(1,nn_examples[i]);                 //        tld.pex = x(:,i);              continue;                                            //        continue;          }                                                        //      end          //pEx.insert(pEx.begin()+isin[1],nn_examples[i]);        //      tld.pex = [tld.pex(:,1:isin(2)) x(:,i) tld.pex(:,isin(2)+1:end)]; % add to model          pEx.push_back(nn_examples[i]);      }                                                            //    end      if(y[i]==0 && conf>0.5)                                      //  if y(i) == 0 && conf1 > 0.5        nEx.push_back(nn_examples[i]);                             //    tld.nex = [tld.nex x(:,i)];  }                                                                 //  end  acum++;  printf("%d. Trained NN examples: %d positive %d negative\n",acum,(int)pEx.size(),(int)nEx.size());}                                                                  //  end  /*Inputs:   * -NN Patch   * Outputs:   * -Relative Similarity (rsconf)相关相似度, Conservative Similarity (csconf)保守相似度,   * In pos. set|Id pos set|In neg. set (isin)   */void FerNNClassifier::NNConf(const Mat& example, vector<int>& isin,float& rsconf,float& csconf){  isin=vector<int>(3,-1);  //vector<T> v3(n, i); v3包含n个值为i的元素。 三个元素都是-1  if (pEx.empty()){ //if isempty(tld.pex) % IF positive examples in the model are not defined THEN everything is negative      rsconf = 0; //    conf1 = zeros(1,size(x,2));      csconf=0;      return;  }  if (nEx.empty()){ //if isempty(tld.nex) % IF negative examples in the model are not defined THEN everything is positive      rsconf = 1;   //    conf1 = ones(1,size(x,2));      csconf=1;      return;  }  Mat ncc(1,1,CV_32F);  float nccP, csmaxP, maxP=0;  bool anyP=false;  int maxPidx, validatedPart = ceil(pEx.size()*valid);  //ceil返回大于或者等于指定表达式的最小整数  float nccN, maxN=0;  bool anyN=false;  //比较图像片p到在线模型M的距离（相似度），计算正样本最近邻相似度，也就是将输入的图像片与  //在线模型中所有的图像片进行匹配，找出最相似的那个图像片，也就是相似度的最大值  for (int i=0;i<pEx.size();i++){      matchTemplate(pEx[i], example, ncc, CV_TM_CCORR_NORMED);      // measure NCC to positive examples      nccP=(((float*)ncc.data)[0]+1)*0.5;  //计算匹配相似度      if (nccP>ncc_thesame)  //ncc_thesame: 0.95        anyP=true;      if(nccP > maxP){          maxP=nccP;    //记录最大的相似度以及对应的图像片index索引值          maxPidx = i;          if(i<validatedPart)            csmaxP=maxP;      }  }  //计算负样本最近邻相似度  for (int i=0;i<nEx.size();i++){      matchTemplate(nEx[i],example,ncc,CV_TM_CCORR_NORMED);     //measure NCC to negative examples      nccN=(((float*)ncc.data)[0]+1)*0.5;      if (nccN>ncc_thesame)        anyN=true;      if(nccN > maxN)        maxN=nccN;  }  //set isin  //if he query patch is highly correlated with any positive patch in the model then it is considered to be one of them  if (anyP) isin[0]=1;    isin[1]=maxPidx;      //get the index of the maximall correlated positive patch  //if  the query patch is highly correlated with any negative patch in the model then it is considered to be one of them  if (anyN) isin[2]=1;     //Measure Relative Similarity  //相关相似度 = 正样本最近邻相似度 / （正样本最近邻相似度 + 负样本最近邻相似度）  float dN=1-maxN;  float dP=1-maxP;  rsconf = (float)dN/(dN+dP);    //Measure Conservative Similarity  dP = 1 - csmaxP;  csconf =(float)dN / (dN + dP);}void FerNNClassifier::evaluateTh(const vector<pair<vector<int>,int> >& nXT, const vector<cv::Mat>& nExT){  float fconf;  for (int i=0;i<nXT.size();i++){  //所有基本分类器的后验概率的平均值如果大于thr_fern，则认为含有前景目标  //measure_forest返回的是所有后验概率的累加和，nstructs 为树的个数，也就是基本分类器的数目 ？？    fconf = (float) measure_forest(nXT[i].first)/nstructs;    if (fconf>thr_fern)  //thr_fern: 0.6 thrP定义为Positive thershold      thr_fern = fconf;  //取这个平均值作为 该集合分类器的 新的阈值，这就是训练？？  }    vector <int> isin;  float conf, dummy;  for (int i=0; i<nExT.size(); i++){      NNConf(nExT[i], isin, conf, dummy);      if (conf > thr_nn)        thr_nn = conf; //取这个最大相关相似度作为 该最近邻分类器的 新的阈值，这就是训练？？  }    if (thr_nn > thr_nn_valid)  //thr_nn_valid: 0.7    thr_nn_valid = thr_nn;}//把正样本库（在线模型）包含的所有正样本显示在窗口上void FerNNClassifier::show(){  Mat examples((int)pEx.size()*pEx[0].rows, pEx[0].cols, CV_8U);  double minval;  Mat ex(pEx[0].rows, pEx[0].cols, pEx[0].type());  for (int i=0;i<pEx.size();i++){    //minMaxLoc寻找矩阵（一维数组当作向量，用Mat定义）中最小值和最大值的位置.     minMaxLoc(pEx[i], &minval); //寻找pEx[i]的最小值    pEx[i].copyTo(ex);    ex = ex - minval;  //把像素亮度最小的像素重设为0，其他像素按此重设//Mat Mat::rowRange(int startrow, int endrow) const 为指定的行span创建一个新的矩阵头。//Mat Mat::rowRange(const Range& r) const   //Range 结构包含着起始和终止的索引值。    Mat tmp = examples.rowRange(Range(i*pEx[i].rows, (i+1)*pEx[i].rows));    ex.convertTo(tmp, CV_8U);  }  imshow("Examples", examples);}