DPM 检测源码分析

最新推荐文章于 2018-08-10 15:12:52 发布

原创最新推荐文章于 2018-08-10 15:12:52 发布 · 1.5k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#源码

在检测的demo 中主要的code 有两部分：
1.[dets, boxes] = imgdetect(im, model, -0.3); 对图像检测出很多小框框放在dets里面。
2. top = nms(dets, 0.5); 对检测到的框框进行NMS 抑制。
imgdetect 里面主要的函数是：[dets, boxes, info] = gdetect(pyra, model, thresh, bbox, overlap);
此处 pyra 为图像的金字塔。整幅图像的金字塔。
model 就是训练之后的model
thresh 为-0.3 是设置好的阈值
bbox 是空的什么都没有
overlap 为 0
看到gdetect 这个函数我们是不是相当的熟悉：
gdetect 这个函数主要包含四个步骤：
1. model = filterresponses(model, pyra, latent, bbox, overlap);
model 是之前训练结果的model
pyra 是整幅图像的金字塔
latent =0
bbox =0
overlap=0；
下面解析 filterresponses：
filterresponses 函数里面：
for s = model.symbols （训练后的model 的symbols，在此处的model 中个数给37）
if s.type == 'T'
filters{i} = model.filters(s.filter).w;
filter_to_symbol(i) = s.i;
i = i + 1;
end
end

我们可以得到其中有18个滤波器，位置分别在：

1 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36

2. L = model_sort(model);
3. for s = L
for r = model.rules{s}
model = apply_rule(model, r, pyra.pady, pyra.padx);
end
model = symbol_score(model, s, latent, pyra, bbox, overlap);
end

4.[dets, boxes, info] = getdetections(model, pyra.padx, pyra.pady, ...
pyra.scales, X, Y, L, S);

经过getdetections 之后

dets =

444.3547 159.3409 496.1350 316.6819 2.0000 -0.2014
227.5306 158.5865 275.7763 305.3238 2.0000 -0.2472

这个比较好理解：

前四个是检测出来的矩形坐标的位置，后面的一个是componet ，一个是分数。

boxes =

Columns 1 through 15

0 0 0 0 444.3547 159.3409 496.1350 316.6819 0 0 0 0 449.6327 159.3409 480.3009
0 0 0 0 227.5306 158.5865 275.7763 305.3238 0 0 0 0 237.3797 163.5111 265.9272

Columns 16 through 30

190.0091 0 0 0 0 449.6327 301.8478 480.3009 332.5160 0 0 0 0 460.1888 180.4531
192.0585 0 0 0 0 207.8323 281.7009 236.3797 310.2484 0 0 0 0 247.2289 188.1340

Columns 31 through 45

490.8569 211.1213 0 0 0 0 449.6327 254.3455 480.3009 285.0137 0 0 0 0 449.6327
275.7763 216.6814 0 0 0 0 237.3797 242.3043 265.9272 270.8518 0 0 0 0 232.4551

Columns 46 through 60

180.4531 480.3009 211.1213 0 0 0 0 470.7448 217.3993 501.4130 248.0675 0 0 0 0
183.2094 261.0026 211.7568 0 0 0 0 237.3797 217.6814 265.9272 246.2289 0 0 0 0

Columns 61 through 74

454.9107 212.1213 485.5789 242.7895 0 0 0 0 460.1888 291.2917 490.8569 321.9599 2.0000 -0.2014
227.5306 217.6814 256.0780 246.2289 0 0 0 0 266.9272 286.6255 295.4747 315.1730 2.0000 -0.2472