目标
在本教程中，您将学习如何：
- 使用 cv：：GeneralizedHoughBallard 和 cv：：GeneralizedHoughGuil 检测对象
例
这个程序是做什么的？
- 加载图像和模板
图像
模板
- 实例化 cv：：GeneralizedHoughBallard 借助
createGeneralizedHoughBallard() - 在
createGeneralizedHoughGuil() - 为两个 GeneralizedHough 变体设置所需的参数
- 检测并显示发现的结果
-
注意
这两个变体都不能直接实例化。需要使用 create 方法。Guil Hough 很慢。计算本教程中使用的“迷你”文件的结果只需几秒钟。使用更高分辨率的图像和模板，如下所示，我的笔记本大约需要 5 分钟来计算结果。
图像
模板
法典
本教程的完整代码如下所示。
#include “opencv2/highgui.hpp”
#include“opencv2/imgproc.hpp”
使用命名空间 CV;
使用命名空间 std;
int main（） {
加载源图像和灰度模板
示例：：addSamplesDataSearchSubDirectory（“doc/tutorials/imgproc/generalized_hough_ballard_guil”);
Mat 图像 = imread（samples：：findFile（“images/generalized_hough_mini_image.jpg”));
Mat templ = imread（samples：：findFile（“images/generalized_hough_mini_template.jpg”）， IMREAD_GRAYSCALE);
创建灰度图像
垫灰色图像;
cvtColor（image， grayImage， COLOR_RGB2GRAY);
为检测到的模板的位置、比例和旋转创建变量
vector positionBallard， positionGuil;
模板宽度和高度
int w = 模板。科尔斯;
int h = 模板。行;
创建巴拉德并设置选项
Ptr ballard = createGeneralizedHoughBallard();
巴拉德->setMinDist（10）;
巴拉德->setLevels（360）;
巴拉德->setDp（2）;
巴拉德->setMaxBufferSize（1000）;
巴拉德->setVotesThreshold（40）;
巴拉德->setCannyLowThresh（30）;
ballard->setCannyHighThresh（110）;
ballard->setTemplate（模板）;
创建 guil 并设置选项
Ptr guil = createGeneralizedHoughGuil();
guil->setMinDist（10）;
guil->setLevels（360）;
guil->setDp（3）;
guil->setMaxBufferSize（1000）;
guil->setMinAngle（0）;
guil->setMaxAngle（360）;
guil->setAngleStep（1）;
guil->setAngleThresh（1500）;
guil->setMinScale（0.5）;
guil->setMaxScale（2.0）;
guil->setScaleStep（0.05）;
guil->setScaleThresh（50）;
guil->setPosThresh（10）;
guil->setCannyLowThresh（30）;
guil->setCannyHighThresh（110）;
guil->setTemplate（templ）;
执行巴拉德检测
ballard->detect（grayImage， position巴拉德）;
执行 guil 检测
guil->detect（grayImage， positionGuil）;
拉扯巴拉德
for （vector：：iterator iter = positionBallard.begin（）; iter ！= positionBallard.end（）; ++iter） {
RotatedRect rRect = RotatedRect（Point2f（（*iter）[0]， （*iter）[1]），
尺寸2f（w * （*iter）[2]， h * （*iter）[2]），
（*国际搜索委员会）[3]);
Point2f 顶点[4];
rRect 中。点（顶点）;
for （int i = 0; i < 4; i++）
line（image， vertices[i]， vertices[（i + 1） % 4]， Scalar（255， 0， 0）， 6）;
}
画出guil
for （vector：：iterator iter = positionGuil.begin（）; iter ！= positionGuil.end（）; ++iter） {
RotatedRect rRect = RotatedRect（Point2f（（*iter）[0]， （*iter）[1]），
尺寸2f（w * （*iter）[2]， h * （*iter）[2]），
（*国际搜索委员会）[3]);
Point2f 顶点[4];
rRect 中。点（顶点）;
for （int i = 0; i < 4; i++）
line（image， vertices[i]， vertices[（i + 1） % 4]， Scalar（0， 255， 0）， 2）;
}
imshow（“result_img”， 图像）;
等待键();
返回EXIT_SUCCESS;
}
解释
加载图像、模板和设置变量
加载源图像和灰度模板
示例：：addSamplesDataSearchSubDirectory（“doc/tutorials/imgproc/generalized_hough_ballard_guil”);
Mat 图像 = imread（samples：：findFile（“images/generalized_hough_mini_image.jpg”));
Mat templ = imread（samples：：findFile（“images/generalized_hough_mini_template.jpg”）， IMREAD_GRAYSCALE);
创建灰度图像
垫灰色图像;
cvtColor（image， grayImage， COLOR_RGB2GRAY);
为检测到的模板的位置、比例和旋转创建变量
vector positionBallard， positionGuil;
模板宽度和高度
int w = templ.cols;
int h = templ.rows;
位置向量将包含检测器将找到的匹配项。每个条目包含四个浮点值：位置向量
- [0]：中心点的 x 坐标
- [1]：中心点的 y 坐标
- [2]：检测到的对象与模板的比例比较
- [3]：检测到的物体相对于模板的旋转度数
示例如下所示：[200, 100, 0.9, 120]
设置参数
创建巴拉德并设置选项
Ptr ballard = createGeneralizedHoughBallard();
巴拉德->setMinDist（10）;
巴拉德->setLevels（360）;
巴拉德->setDp（2）;
巴拉德->setMaxBufferSize（1000）;
巴拉德->setVotesThreshold（40）;
巴拉德->setCannyLowThresh（30）;
ballard->setCannyHighThresh（110）;
ballard->setTemplate（模板）;
创建 guil 并设置选项
Ptr guil = createGeneralizedHoughGuil();
guil->setMinDist（10）;
guil->setLevels（360）;
guil->setDp（3）;
guil->setMaxBufferSize（1000）;
guil->setMinAngle（0）;
guil->setMaxAngle（360）;
guil->setAngleStep（1）;
guil->setAngleThresh（1500）;
guil->setMinScale（0.5）;
guil->setMaxScale（2.0）;
guil->setScaleStep（0.05）;
guil->setScaleThresh（50）;
guil->setPosThresh（10）;
guil->setCannyLowThresh（30）;
guil->setCannyHighThresh（110）;
guil->setTemplate（templ）;
找到最佳值可能最终需要反复试验，并且取决于许多因素，例如图像分辨率。
运行检测
执行巴拉德检测
ballard->detect（grayImage， position巴拉德）;
执行 guil 检测
guil->detect（grayImage， positionGuil）;
如上所述，此步骤将需要一些时间，尤其是在使用较大的图像和使用 Guil 时。
绘制结果并显示图像
拉扯巴拉德
for （vector：：iterator iter = positionBallard.begin（）; iter ！= positionBallard.end（）; ++iter） {
RotatedRect rRect = RotatedRect（Point2f（（*iter）[0]， （*iter）[1]），
尺寸2f（w * （*iter）[2]， h * （*iter）[2]），
（*国际搜索委员会）[3]);
Point2f 顶点[4];
rRect.points（顶点）;
for （int i = 0; i < 4; i++）
line（image， vertices[i]， vertices[（i + 1） % 4]， Scalar（255， 0， 0）， 6）;
}
画出guil
for （vector：：iterator iter = positionGuil.begin（）; iter ！= positionGuil.end（）; ++iter） {
RotatedRect rRect = RotatedRect（Point2f（（*iter）[0]， （*iter）[1]），
尺寸2f（w * （*iter）[2]， h * （*iter）[2]），
（*国际搜索委员会）[3]);
Point2f 顶点[4];
rRect.points（顶点）;
for （int i = 0; i < 4; i++）
line（image， vertices[i]， vertices[（i + 1） % 4]， Scalar（0， 255， 0）， 2）;
}
imshow（“result_img”， 图像）;
等待键();
结果
结果图像
蓝色矩形显示 cv：：GeneralizedHoughBallard 的结果，绿色矩形显示 cv：：GeneralizedHoughGuil 的结果。
如果参数不能完全适应样品，则不太可能获得像本例中那样的完美结果。下面显示了一个参数不太完美的示例。对于巴拉德变体，在此图像上，只有结果的中心被标记为黑点。矩形将与上一张图像上的矩形相同。
在线教程
- 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
- 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
- EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
- 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
- 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
- 机器学习 – 有指导和无指导情况下的基本机器学习算法
- 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
- 斯坦福统计学习
有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
人工智能书籍
- OpenCV（中文版）.(布拉德斯基等)
- OpenCV+3计算机视觉++Python语言实现+第二版
- OpenCV3编程入门 毛星云编著
- 数字图像处理_第三版
- 人工智能:一种现代的方法
- 深度学习面试宝典
- 深度学习之PyTorch物体检测实战
- 吴恩达DeepLearning.ai中文版笔记
- 计算机视觉中的多视图几何
- PyTorch-官方推荐教程-英文版
- 《神经网络与深度学习》(邱锡鹏-20191121)
- …
第一阶段：零基础入门（3-6个月）
新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。
第二阶段：基础进阶（3-6个月）
熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。
第三阶段：工作应用
这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。
有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
791
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
