压缩追踪Compressive Tracking源码理解

分类： 视频追踪 2013-04-03 18:24  154人阅读  评论(0)  收藏  举报

 

       在前面一个介绍《Real-Time Compressive Tracking》这个paper的感知跟踪算法的博文中，我说过后面会学习下它的C++源码，但是当时因为有些事，所以就没有看了。今天，上到博客，看到一朋友在这个博文中评论说，有个地方不太明白。然后，觉得该履行自己的承诺，去学习学习源码了。所以刚才就花了几个小时去看了C++的源码，做了详细的注释。希望对大家有点帮助。在这也感谢这位朋友。当然，因为自己也刚刚接触这个领域，所以也有很多地方我也看不懂或者理解错了，也渴望大家的指导。

      下面是这个算法的工程网站：里面包含了上面这篇论文、Matlab和C++版本的代码，还有测试数据、demo等。

            http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm

       之前自己学习这个《Real-Time Compressive Tracking》介绍的感知跟踪算法：

            http://blog.youkuaiyun.com/zouxy09/article/details/8118360

       非常感谢Kaihua等的paper《Real-Time Compressive Tracking》，非常感谢它的C++代码的编写和贡献者Yang Xian。

       这个C++代码编写的非常简洁、清晰和漂亮。另外，C++代码好像有对论文中提到的一些东西进行裁剪，例如多尺度的卷积等。不知道理解对不对啊，觉得有一些地方自己没找到相关的线索。望大家交流和指导。

       好了，废话不多说了。下面是自己注释的源码。因为代码编写的流程非常清晰，所以我就不总结流程了。这个工程包含三个文件：CompressiveTracker.cpp、CompressiveTracker.h和RunTracker.cpp，其中因为RunTracker.cpp和TLD算法中的代码差不多，我这里就不注释了，大家可以参考我之前的：

        TLD（Tracking-Learning-Detection）学习与源码理解之（四）

            http://blog.youkuaiyun.com/zouxy09/article/details/7893032

下面是具体的源码：

CompressiveTracker.h

[cpp]  view plain copy

1. /************************************************************************ 
2. * File: CompressiveTracker.h 
3. * Brief: C++ demo for paper: Kaihua Zhang, Lei Zhang, Ming-Hsuan Yang,"Real-Time Compressive Tracking," ECCV 2012. 
4. * Version: 1.0 
5. * Author: Yang Xian 
6. * Email: yang_xian521@163.com 
7. * Date: 2012/08/03 
8. * History: 
9. * Revised by Kaihua Zhang on 14/8/2012 
10. * Email: zhkhua@gmail.com 
11. * Homepage: http://www4.comp.polyu.edu.hk/~cskhzhang/ 
12. ************************************************************************/  
13. //这是一个比较常用的C/C++杂注，只要在头文件的最开始加入这条杂注，就能够保证头文件只被插入和编译一次  
14. #pragma once  
15. #include <opencv2/opencv.hpp>  
16. #include <vector>  
17.   
18. using std::vector;  
19. using namespace cv;  
20. //---------------------------------------------------  
21. class CompressiveTracker  
22. {  
23. public:  
24.     CompressiveTracker(void);  
25.     ~CompressiveTracker(void);  
26.   
27. private:  
28.     int featureMinNumRect;  
29.     int featureMaxNumRect;  
30.     int featureNum;  //每个box的harr特征个数（也就是弱分类器个数）  
31.     vector<vector<Rect>> features;  
32.     vector<vector<float>> featuresWeight;  
33.     int rOuterPositive; //在离上一帧跟踪到的目标位置的距离小于rOuterPositive的范围内采集 正样本  
34.     vector<Rect> samplePositiveBox;  //采集的正样本box集  
35.     vector<Rect> sampleNegativeBox;  //采集的负样本box集  
36.     int rSearchWindow;   //扫描窗口的大小，或者说检测box的大小  
37.     Mat imageIntegral;   //图像的积分图  
38.     Mat samplePositiveFeatureValue;  //采集的正样本的harr特征值  
39.     Mat sampleNegativeFeatureValue;  //采集的负样本的harr特征值  
40.     //对每个样本z（m维向量），它的低维表示是v（n维向量，n远小于m）。假定v中的各元素是独立分布的。  
41.     //假定在分类器H(v)中的条件概率p(vi|y=1)和p(vi|y=0)属于高斯分布，并且可以用以下四个参数来描述：  
42.     //分别是描述正负样本的高斯分布的均值u和方差sigma  
43.     vector<float> muPositive;  
44.     vector<float> sigmaPositive;  
45.     vector<float> muNegative;  
46.     vector<float> sigmaNegative;  
47.     float learnRate;   //学习速率，控制分类器参数更新的步长  
48.     vector<Rect> detectBox;  //需要检测的box  
49.     Mat detectFeatureValue;  
50.     RNG rng;  //随机数  
51.   
52. private:  
53.     void HaarFeature(Rect& _objectBox, int _numFeature);  
54.     void sampleRect(Mat& _image, Rect& _objectBox, float _rInner, float _rOuter, int _maxSampleNum, vector<Rect>& _sampleBox);  
55.     void sampleRect(Mat& _image, Rect& _objectBox, float _srw, vector<Rect>& _sampleBox);  
56.     void getFeatureValue(Mat& _imageIntegral, vector<Rect>& _sampleBox, Mat& _sampleFeatureValue);  
57.     void classifierUpdate(Mat& _sampleFeatureValue, vector<float>& _mu, vector<float>& _sigma, float _learnRate);  
58.     void radioClassifier(vector<float>& _muPos, vector<float>& _sigmaPos, vector<float>& _muNeg, vector<float>& _sigmaNeg,  
59.                         Mat& _sampleFeatureValue, float& _radioMax, int& _radioMaxIndex);  
60. public:  
61.     void processFrame(Mat& _frame, Rect& _objectBox);  
62.     void init(Mat& _frame, Rect& _objectBox);  
63. };  

CompressiveTracker.cpp

[cpp]  view plain copy

1. #include "CompressiveTracker.h"  
2. #include <math.h>  
3. #include <iostream>  
4. using namespace cv;  
5. using namespace std;  
6.   
7. //------------------------------------------------  
8. //构造函数，初始化各参数  
9. CompressiveTracker::CompressiveTracker(void)  
10. {  
11.     featureMinNumRect = 2;  
12.     featureMaxNumRect = 4;  // number of rectangle from 2 to 4  
13.     featureNum = 50;    // number of all weaker classifiers, i.e,feature pool  
14.     rOuterPositive = 4; // radical scope of positive samples  
15.     rSearchWindow = 25; // size of search window  
16.     muPositive = vector<float>(featureNum, 0.0f);  
17.     muNegative = vector<float>(featureNum, 0.0f);  
18.     sigmaPositive = vector<float>(featureNum, 1.0f);  
19.     sigmaNegative = vector<float>(featureNum, 1.0f);  
20.     learnRate = 0.85f;  // Learning rate parameter  
21. }  
22.   
23. CompressiveTracker::~CompressiveTracker(void)  
24. {  
25. }  
26.   
27. //通过积分图来计算采集到的每一个样本的harr特征，这个特征通过与featuresWeight来相乘  
28. //就相当于投影到随机测量矩阵中了，也就是进行稀疏表达了。这里不明白的话，可以看下  
29. //论文中的图二，就比较直观了。  
30. //还有一点：实际上这里采用的不属于真正的harr特征，我博客中翻译有误。这里计算的是  
31. //在box中采样得到的不同矩形框的灰度加权求和（当权重是负数的时候就是灰度差）  
32. //当为了表述方便，我下面都用harr特征来描述。  
33. //每一个样本有50个harr特征，每一个harr特征是由2到3个随机选择的矩形框来构成的，  
34. //对这些矩形框的灰度加权求和作为这一个harr特征的特征值。  
35. void CompressiveTracker::HaarFeature(Rect& _objectBox, int _numFeature)  
36. /*Description: compute Haar features 
37.   Arguments: 
38.   -_objectBox: [x y width height] object rectangle 
39.   -_numFeature: total number of features. The default is 50. 
40. */  
41. {  
42.     //_numFeature是一个样本box的harr特征个数，共50个。而上面说到，  
43.     //每一个harr特征是由2到3个随机选择的矩形框（vector<Rect>()类型）来构成的。  
44.     features = vector<vector<Rect>>(_numFeature, vector<Rect>());  
45.     //每一个反应特征的矩形框对应于一个权重，实际上就是随机测量矩阵中相应的元素，用它来与对应的特征  
46.     //相乘，表示以权重的程度来感知这个特征。换句话说，featuresWeight就是随机测量矩阵。  
47.     //这个矩阵的元素的赋值看论文中的第二部分。或者也可以参考下我的博文：（呵呵，好像博文也没说清楚）  
48.     //http://blog.youkuaiyun.com/zouxy09/article/details/8118360  
49.     featuresWeight = vector<vector<float>>(_numFeature, vector<float>());  
50.       
51.     //numRect是每个特征的矩形框个数还是论文中说的随机测量矩阵中的s？还有兼备两种功能？  
52.     //论文中说s取2或者3时，矩阵就满足Johnson-Lindenstrauss推论。  
53.     int numRect;  
54.     Rect rectTemp;  
55.     float weightTemp;  
56.         
57.     for (int i=0; i<_numFeature; i++)  
58.     {  
59.         //如何生成服从某个概率分布的随机数（或者说 sample）的问题。  
60.         //比如，你想要从一个服从正态分布的随机变量得到 100 个样本，那么肯定抽到接近其均值的样本的  
61.         //概率要大许多，从而导致抽到的样本很多是集中在那附近的。  
62.         //rng.uniform()返回一个从[ 1，2）范围均匀采样的随机数，即在[ 1，2）内服从均匀分布（取不同值概率相同）  
63.         //那么下面的功能就是得到[2，4）范围的随机数，然后用cvFloor返回不大于参数的最大整数值，那要么是2，要么是3。  
64.         numRect = cvFloor(rng.uniform((double)featureMinNumRect, (double)featureMaxNumRect));  
65.           
66.         //int c = 1;  
67.         for (int j=0; j<numRect; j++)  
68.         {  
69.             //我在一个box中随机生成一个矩形框，那和你这个box的x和y坐标就无关了，但我必须保证我选择  
70.             //的这个矩形框不会超出你这个box的范围啊，是吧  
71.             //但这里的3和下面的2是啥意思呢？我就不懂了，个人理解是为了避免这个矩形框太靠近box的边缘了  
72.             //要离边缘最小2个像素，不知道这样理解对不对，恳请指导  
73.             rectTemp.x = cvFloor(rng.uniform(0.0, (double)(_objectBox.width - 3)));  
74.             rectTemp.y = cvFloor(rng.uniform(0.0, (double)(_objectBox.height - 3)));  
75.             //cvCeil 返回不小于参数的最小整数值  
76.             rectTemp.width = cvCeil(rng.uniform(0.0, (double)(_objectBox.width - rectTemp.x - 2)));  
77.             rectTemp.height = cvCeil(rng.uniform(0.0, (double)(_objectBox.height - rectTemp.y - 2)));  
78.             //保存得到的特征模板。注意哦，这里的矩形框是相对于box的相对位置哦，不是针对整幅图像的哦  
79.             features[i].push_back(rectTemp);  
80.               
81.             //weightTemp = (float)pow(-1.0, c);  
82.             //pow(-1.0, c)也就是-1的c次方，而c随机地取0或者1，也就是说weightTemp是随机的正或者负。  
83.             //随机测量矩阵中，矩阵元素有三种，sqrt(s)、-sqrt(s)和零。为正和为负的概率是相等的，  
84.             //这就是为什么是[2，4）均匀采样的原因，就是取0或者1概率一样。  
85.             //但是这里为什么是sqrt(s)分之一呢？还有什么时候是0呢？论文中是0的概率不是挺大的吗？  
86.             //没有0元素，哪来的稀疏表达和压缩呢？不懂，恳请指导！（当然稀疏表达的另一个好处  
87.             //就是只需保存非零元素。但这里和这个有关系吗？）  
88.             weightTemp = (float)pow(-1.0, cvFloor(rng.uniform(0.0, 2.0))) / sqrt(float(numRect));  
89.               
90.             //保存每一个特征模板对应的权重  
91.             featuresWeight[i].push_back(weightTemp);  
92.              
93.         }  
94.     }  
95. }  
96.   
97. //在上一帧跟踪的目标box的周围采集若干正样本和负样本，来初始化或者更新分类器的  
98. void CompressiveTracker::sampleRect(Mat& _image, Rect& _objectBox, float _rInner, float _rOuter, int _maxSampleNum, vector<Rect>& _sampleBox)  
99. /* Description: compute the coordinate of positive and negative sample image templates 
100.    Arguments: 
101.    -_image:        processing frame 
102.    -_objectBox:    recent object position  
103.    -_rInner:       inner sampling radius 
104.    -_rOuter:       Outer sampling radius 
105.    -_maxSampleNum: maximal number of sampled images 
106.    -_sampleBox:    Storing the rectangle coordinates of the sampled images. 
107. */  
108. {  
109.     int rowsz = _image.rows - _objectBox.height - 1;  
110.     int colsz = _image.cols - _objectBox.width - 1;  
111.     //我们是在上一帧跟踪的目标box的周围采集正样本和负样本的，而这个周围是通过以  
112.     //这个目标为中心的两个圆来表示，这两个圆的半径是_rInner和_rOuter。  
113.     //我们在离上一帧跟踪的目标box的小于_rInner距离的范围内采集正样本，  
114.     //在大于_rOuter距离的范围内采集负样本（论文中还有一个上界，但好像  
115.     //这里没有，其实好像也没什么必要噢）  
116.     float inradsq = _rInner*_rInner;  
117.     float outradsq = _rOuter*_rOuter;  
118.       
119.     int dist;  
120.   
121.     //这四个是为了防止采集的框超出图像范围的，对采集的box的x和y坐标做限制  
122.     int minrow = max(0,(int)_objectBox.y-(int)_rInner);  
123.     int maxrow = min((int)rowsz-1,(int)_objectBox.y+(int)_rInner);  
124.     int mincol = max(0,(int)_objectBox.x-(int)_rInner);  
125.     int maxcol = min((int)colsz-1,(int)_objectBox.x+(int)_rInner);  
126.           
127.       
128.     int i = 0;  
129.     //分母相当于x能采集的范围乘以y能采集的范围，也就是可以采集的最大box个数，  
130.     //那么_maxSampleNum（我们需要采集的box的最大个数）肯定得小于或者等于它。  
131.     //那这个prob是干嘛的呢？到下面用到它的地方说  
132.     float prob = ((float)(_maxSampleNum))/(maxrow-minrow+1)/(maxcol-mincol+1);  
133.   
134.     int r;  
135.     int c;  
136.       
137.     _sampleBox.clear();//important  
138.     Rect rec(0,0,0,0);  
139.   
140.     for( r=minrow; r<=(int)maxrow; r++ )  
141.         for( c=mincol; c<=(int)maxcol; c++ ){  
142.             //计算生成的box到目标box的距离  
143.             dist = (_objectBox.y-r)*(_objectBox.y-r) + (_objectBox.x-c)*(_objectBox.x-c);  
144.   
145.             //后两个条件是保证距离需要在_rInner和_rOuter的范围内  
146.             //那么rng.uniform(0.,1.) < prob 这个是干嘛的呢？  
147.             //连着上面看，如果_maxSampleNum大于那个最大个数，prob就大于1，这样，  
148.             //rng.uniform(0.,1.) < prob这个条件就总能满足，表示在这个范围产生的  
149.             //所以box我都要了（因为我本身想要更多的，但是你给不了我那么多，那么你能给的，我肯定全要了）。  
150.             //那如果你给的太多了，我不要那么多，也就是prob<1，那我就随机地跳几个走好了  
151.             if( rng.uniform(0.,1.) < prob && dist < inradsq && dist >= outradsq ){  
152.   
153.                 rec.x = c;  
154.                 rec.y = r;  
155.                 rec.width = _objectBox.width;  //没有做尺度不变？至此至终box的大小都没变化  
156.                 rec.height= _objectBox.height;  
157.                   
158.                 _sampleBox.push_back(rec);                
159.                   
160.                 i++;  
161.             }  
162.         }  
163.       
164.         _sampleBox.resize(i);  
165.           
166. }  
167.   
168. //这个sampleRect的重载函数是用来在上一帧跟踪的目标box的周围（距离小于_srw）采集若干box来待检测。  
169. //与上面的那个不一样，上面那个是在这一帧已经检测出目标的基础上，采集正负样本来更新分类器的。  
170. //上面那个属于论文中提到的算法的第四个步骤，这个是第一个步骤。然后过程差不多，没什么好说的了  
171. void CompressiveTracker::sampleRect(Mat& _image, Rect& _objectBox, float _srw, vector<Rect>& _sampleBox)  
172. /* Description: Compute the coordinate of samples when detecting the object.*/  
173. {  
174.     int rowsz = _image.rows - _objectBox.height - 1;  
175.     int colsz = _image.cols - _objectBox.width - 1;  
176.     float inradsq = _srw*_srw;        
177.   
178.     int dist;  
179.   
180.     int minrow = max(0,(int)_objectBox.y-(int)_srw);  
181.     int maxrow = min((int)rowsz-1,(int)_objectBox.y+(int)_srw);  
182.     int mincol = max(0,(int)_objectBox.x-(int)_srw);  
183.     int maxcol = min((int)colsz-1,(int)_objectBox.x+(int)_srw);  
184.   
185.     int i = 0;  
186.   
187.     int r;  
188.     int c;  
189.   
190.     Rect rec(0,0,0,0);  
191.     _sampleBox.clear();//important  
192.   
193.     for( r=minrow; r<=(int)maxrow; r++ )  
194.         for( c=mincol; c<=(int)maxcol; c++ ){  
195.             dist = (_objectBox.y-r)*(_objectBox.y-r) + (_objectBox.x-c)*(_objectBox.x-c);  
196.   
197.             if( dist < inradsq ){  
198.   
199.                 rec.x = c;  
200.                 rec.y = r;  
201.                 rec.width = _objectBox.width;  
202.                 rec.height= _objectBox.height;  
203.   
204.                 _sampleBox.push_back(rec);                
205.   
206.                 i++;  
207.             }  
208.         }  
209.       
210.         _sampleBox.resize(i);  
211.   
212. }  
213.   
214. // Compute the features of samples  
215. //通过积分图来计算采集到的每一个样本的harr特征，这个特征通过与featuresWeight来相乘  
216. //就相当于投影到随机测量矩阵中了，也就是进行稀疏表达了。这里不明白的话，可以看下  
217. //论文中的图二，就比较直观了。所以这里得到的是：每个样本的稀疏表达后的harr特征。  
218. //还有一点：实际上这里采用的不属于真正的harr特征，我博客中翻译有误。这里计算的是  
219. //在box中采样得到的不同矩形框的灰度加权求和  
220. void CompressiveTracker::getFeatureValue(Mat& _imageIntegral, vector<Rect>& _sampleBox, Mat& _sampleFeatureValue)  
221. {  
222.     int sampleBoxSize = _sampleBox.size();  
223.     _sampleFeatureValue.create(featureNum, sampleBoxSize, CV_32F);  
224.     float tempValue;  
225.     int xMin;  
226.     int xMax;  
227.     int yMin;  
228.     int yMax;  
229.   
230.     for (int i=0; i<featureNum; i++)  
231.     {  
232.         for (int j=0; j<sampleBoxSize; j++)  
233.         {  
234.             tempValue = 0.0f;  
235.             for (size_t k=0; k<features[i].size(); k++)  
236.             {  
237.                 //features中保存的特征模板（矩形框）是相对于box的相对位置的，  
238.                 //所以需要加上box的坐标才是其在整幅图像中的坐标  
239.                 xMin = _sampleBox[j].x + features[i][k].x;  
240.                 xMax = _sampleBox[j].x + features[i][k].x + features[i][k].width;  
241.                 yMin = _sampleBox[j].y + features[i][k].y;  
242.                 yMax = _sampleBox[j].y + features[i][k].y + features[i][k].height;  
243.                 //通过积分图来快速计算一个矩形框的像素和，积分图不了解的话，可以看下我的这个博文：  
244.                 //http://blog.youkuaiyun.com/zouxy09/article/details/7929570  
245.                 //那么这里tempValue就是经过稀释矩阵加权后的灰度和了。  
246.                 //每一个harr特征是由2到3个矩形框来构成的，对这些矩形框的灰度加权求和  
247.                 //作为这一个harr特征的特征值。然后一个样本有50个harr特征  
248.                 tempValue += featuresWeight[i][k] *   
249.                     (_imageIntegral.at<float>(yMin, xMin) +  
250.                     _imageIntegral.at<float>(yMax, xMax) -  
251.                     _imageIntegral.at<float>(yMin, xMax) -  
252.                     _imageIntegral.at<float>(yMax, xMin));  
253.             }  
254.             _sampleFeatureValue.at<float>(i,j) = tempValue;  
255.         }  
256.     }  
257. }  
258.   
259. // Update the mean and variance of the gaussian classifier  
260. //论文中是通过用高斯分布去描述样本的每一个harr特征的概率分布的。高斯分布就可以通过期望和方差  
261. //两个参数来表征。然后通过正负样本的每一个harr特征高斯概率分布的对数比值，来构建分类器决策  
262. //该box属于目标还是背景。这里计算新采集到的正负样本的特征的期望和标准差，并用其来更新分类器  
263. void CompressiveTracker::classifierUpdate(Mat& _sampleFeatureValue, vector<float>& _mu, vector<float>& _sigma, float _learnRate)  
264. {  
265.     Scalar muTemp;  
266.     Scalar sigmaTemp;  
267.       
268.     for (int i=0; i<featureNum; i++)  
269.     {  
270.         //计算所有正样本或者负样本的某个harr特征的期望和标准差  
271.         meanStdDev(_sampleFeatureValue.row(i), muTemp, sigmaTemp);  
272.          
273.         //这个模型参数更新的公式见论文的公式6  
274.         _sigma[i] = (float)sqrt( _learnRate*_sigma[i]*_sigma[i] + (1.0f-_learnRate)*sigmaTemp.val[0]*sigmaTemp.val[0]   
275.         + _learnRate*(1.0f-_learnRate)*(_mu[i]-muTemp.val[0])*(_mu[i]-muTemp.val[0]));  // equation 6 in paper  
276.   
277.         _mu[i] = _mu[i]*_learnRate + (1.0f-_learnRate)*muTemp.val[0];   // equation 6 in paper  
278.     }  
279. }  
280.   
281. // Compute the ratio classifier   
282. void CompressiveTracker::radioClassifier(vector<float>& _muPos, vector<float>& _sigmaPos, vector<float>& _muNeg, vector<float>& _sigmaNeg,  
283.                                          Mat& _sampleFeatureValue, float& _radioMax, int& _radioMaxIndex)  
284. {  
285.     float sumRadio;  
286.     //FLT_MAX是最大的浮点数的宏定义，那么-FLT_MAX就是最小的浮点数了  
287.     //这个是拿来存放 那么多box中最大的分类分数的  
288.     _radioMax = -FLT_MAX;   
289.     //这个是对应于上面那个，是存放分类分数最大的那个box的  
290.     _radioMaxIndex = 0;  
291.     float pPos;  
292.     float pNeg;  
293.     int sampleBoxNum = _sampleFeatureValue.cols;  
294.   
295.     for (int j=0; j<sampleBoxNum; j++)  //每帧采样得到的需要检测的box  
296.     {  
297.         sumRadio = 0.0f;  
298.         for (int i=0; i<featureNum; i++)  //每个box的需要匹配的特征数  
299.         {  
300.             //计算每个特征的概率，特征分布近似于高斯分布，故将描述该特征的均值和标准差代入高斯模型就可以  
301.             //得到，分别在正样本和负样本的基础上，出现该特征的概率是多少。如果正样本时候的概率大，那么  
302.             //我们就说，这个特征对应的样本是正样本。数学上比较大小，就是减法或者除法了，这里是取对数比值  
303.             pPos = exp( (_sampleFeatureValue.at<float>(i,j)-_muPos[i])*(_sampleFeatureValue.at<float>(i,j)-_muPos[i]) / -(2.0f*_sigmaPos[i]*_sigmaPos[i]+1e-30) ) / (_sigmaPos[i]+1e-30);  
304.             pNeg = exp( (_sampleFeatureValue.at<float>(i,j)-_muNeg[i])*(_sampleFeatureValue.at<float>(i,j)-_muNeg[i]) / -(2.0f*_sigmaNeg[i]*_sigmaNeg[i]+1e-30) ) / (_sigmaNeg[i]+1e-30);  
305.               
306.             //paper的方程4：计算分类结果，得到一个分数，这个分数是由一个样本或者box的50个特征（弱分类）  
307.             //进入分类器分类得到的结果总和（强分类？）。表征的是目前这个box的特征属于正样本（目标）的  
308.             //可能性大小。哪个分数最大，自然我就认为你是目标了。（当然，在具体应用中需要加一些策略去  
309.             //改善误跟踪的情况。例如如果最高的分数都达不到一个阈值，那就不存在目标等）  
310.             sumRadio += log(pPos+1e-30) - log(pNeg+1e-30);  // equation 4  
311.         }  
312.         if (_radioMax < sumRadio) //拿到最大的分数和相应的box索引  
313.         {  
314.             _radioMax = sumRadio;  
315.             _radioMaxIndex = j;  
316.         }  
317.     }  
318. }  
319.   
320. //传入第一帧和要跟踪的目标box（由文件读入或者用户鼠标框选），来初始化分类器  
321. void CompressiveTracker::init(Mat& _frame, Rect& _objectBox)  
322. {  
323.     // compute feature template  
324.     //计算box的harr特征模板，先存着  
325.     HaarFeature(_objectBox, featureNum);  
326.   
327.     // compute sample templates  
328.     //因为这是第一帧，目标box是由由文件读入或者用户鼠标框选的，是已知的，  
329.     //所以我们通过在这个目标box周围，采集正样本和负样本来初始化我们的分类器  
330.     sampleRect(_frame, _objectBox, rOuterPositive, 0, 1000000, samplePositiveBox);  
331.     sampleRect(_frame, _objectBox, rSearchWindow*1.5, rOuterPositive+4.0, 100, sampleNegativeBox);  
332.   
333.     //计算积分图，用以快速的计算harr特征  
334.     integral(_frame, imageIntegral, CV_32F);  
335.   
336.     //通过上面的积分图，计算我们采样到的正负样本的box的harr特征  
337.     getFeatureValue(imageIntegral, samplePositiveBox, samplePositiveFeatureValue);  
338.     getFeatureValue(imageIntegral, sampleNegativeBox, sampleNegativeFeatureValue);  
339.       
340.     //通过上面的正负样本的特征来初始化分类器  
341.     classifierUpdate(samplePositiveFeatureValue, muPositive, sigmaPositive, learnRate);  
342.     classifierUpdate(sampleNegativeFeatureValue, muNegative, sigmaNegative, learnRate);  
343. }  
344.   
345. //传入上一帧跟踪到的box，来处理新的一帧  
346. void CompressiveTracker::processFrame(Mat& _frame, Rect& _objectBox)  
347. {  
348.     // predict  
349.     //在上一帧跟踪到的boxbox周围，采集需要检测的box框  
350.     sampleRect(_frame, _objectBox, rSearchWindow, detectBox);  
351.     //计算这一帧的积分图  
352.     integral(_frame, imageIntegral, CV_32F);  
353.     //用积分图来计算上面采集到的每个box的harr特征  
354.     getFeatureValue(imageIntegral, detectBox, detectFeatureValue);  
355.     int radioMaxIndex;  
356.     float radioMax;  
357.     //对上面的每个box进行匹配分类  
358.     radioClassifier(muPositive, sigmaPositive, muNegative, sigmaNegative, detectFeatureValue, radioMax, radioMaxIndex);  
359.     //得到分数最高的那个目标box  
360.     _objectBox = detectBox[radioMaxIndex];  
361.   
362.     // update  
363.     //在新跟踪到的这个目标box的周围，采集正样本和负样本来更新我们的分类器  
364.     sampleRect(_frame, _objectBox, rOuterPositive, 0.0, 1000000, samplePositiveBox);  
365.     sampleRect(_frame, _objectBox, rSearchWindow*1.5, rOuterPositive+4.0, 100, sampleNegativeBox);  
366.       
367.     //通过上面的积分图，计算我们采样到的正负样本的box的harr特征  
368.     getFeatureValue(imageIntegral, samplePositiveBox, samplePositiveFeatureValue);  
369.     getFeatureValue(imageIntegral, sampleNegativeBox, sampleNegativeFeatureValue);  
370.       
371.     //通过上面的正负样本的特征来更新我们的分类器  
372.     classifierUpdate(samplePositiveFeatureValue, muPositive, sigmaPositive, learnRate);  
373.     classifierUpdate(sampleNegativeFeatureValue, muNegative, sigmaNegative, learnRate);  
374. }  

更多 0

• 上一篇：流行的视觉追踪方法