TLD的源码整理总结工作—检测篇

void TLD::detect(const cv::Mat& frame){

  //cleaning

  dbb.clear();

  dconf.clear();

  dt.bb.clear();

  double t = (double)getTickCount();

  Mat img(frame.rows,frame.cols,CV_8U);

  integral(frame,iisum,iisqsum);

  GaussianBlur(frame,img,Size(9,9),1.5);

  int numtrees = classifier.getNumStructs();

  float fern_th = classifier.getFernTh();

  vector <int> ferns(10);

  float conf;

  int a=0;

  Mat patch;

  for (int i=0;i<grid.size();i++){//FIXME: BottleNeck

      if (getVar(grid[i],iisum,iisqsum)>=var){

          a++;

    patch = img(grid[i]);

          classifier.getFeatures(patch,grid[i].sidx,ferns);

          conf = classifier.measure_forest(ferns);

  //  std::cout<<"conf****************************"<<conf<<std::endl;

          tmp.conf[i]=conf;

          tmp.patt[i]=ferns;

          if (conf>numtrees*fern_th){

              dt.bb.push_back(i);

          }

      }

      else

        tmp.conf[i]=0.0;

  }

  int detections = dt.bb.size();

  printf("%d Bounding boxes passed the variance filter\n",a);

  printf("%d Initial detection from Fern Classifier\n",detections);

  if (detections>100){

      nth_element(dt.bb.begin(),dt.bb.begin()+100,dt.bb.end(),CComparator(tmp.conf));

      dt.bb.resize(100);

      detections=100;

  }

//  for (int i=0;i<detections;i++){

//        drawBox(img,grid[dt.bb[i]]);

//    }

//  imshow("detections",img);

  if (detections==0){

        detected=false;

        return;

      }

  printf("Fern detector made %d detections ",detections);

  t=(double)getTickCount()-t;

  printf("in %gms\n", t*1000/getTickFrequency());

                                                                       //  Initialize detection structure

  dt.patt = vector<vector<int> >(detections,vector<int>(10,0));        //  Corresponding codes of the Ensemble Classifier

  dt.conf1 = vector<float>(detections);                                //  Relative Similarity (for final nearest neighbour classifier)

  dt.conf2 =vector<float>(detections);                                 //  Conservative Similarity (for integration with tracker)

  dt.isin = vector<vector<int> >(detections,vector<int>(3,-1));        //  Detected (isin=1) or rejected (isin=0) by nearest neighbour classifier

  dt.patch = vector<Mat>(detections,Mat(patch_size,patch_size,CV_32F));//  Corresponding patches

  int idx;

  Scalar mean, stdev;

  float nn_th = classifier.getNNTh();

  for (int i=0;i<detections;i++){                                         //  for every remaining detection

      idx=dt.bb[i];                                                       //  Get the detected bounding box index

   patch = frame(grid[idx]);

      getPattern(patch,dt.patch[i],mean,stdev);                //  Get pattern within bounding box

      classifier.NNConf(dt.patch[i],dt.isin[i],dt.conf1[i],dt.conf2[i]);  //  Evaluate nearest neighbour classifier

      dt.patt[i]=tmp.patt[idx];

      //printf("Testing feature %d, conf:%f isin:(%d|%d|%d)\n",i,dt.conf1[i],dt.isin[i][0],dt.isin[i][1],dt.isin[i][2]);

      if (dt.conf1[i]>nn_th){                                               //  idx = dt.conf1 > tld.model.thr_nn; % get all indexes that made it through the nearest neighbour

          dbb.push_back(grid[idx]);                                         //  BB    = dt.bb(:,idx); % bounding boxes

          dconf.push_back(dt.conf2[i]);                                     //  Conf  = dt.conf2(:,idx); % conservative confidences

      }

  }                                                                         //  end

  if (dbb.size()>0){

      printf("Found %d NN matches\n",(int)dbb.size());

      detected=true;

  }

  else{

      printf("No NN matches found.\n");

      detected=false;

  }

}

检测只要是分三步走：

    第一步：

    是历遍所有的gri d,方差检测模块，利用积分图计算每个待检测窗口的方差， 找出（getVar(grid[i],iisum,iisqsum)>=var）大于阀值的，则目标要大于50%才能被认为进入第二步；

double TLD::getVar(const BoundingBox& box,const Mat& sum,const Mat& sqsum)的原理和opencv的求方差的原理是一样的

    第二步：获得通过第一步符合条件的grid的特征值（classifier.getFeatures(patch,grid[i].sidx,ferns)）

                利用其特征值去获得后验概率值，如果后验概率值大于阀值，则存于dt.bb.push_back(i)，认为有可能检测到目标；

但是，如果确认检测到还需要第三步；    

    在进入第三步之前，如果通过第一步和第二步的grid的个数大于100，还要进行筛选，选出值最大的100个值；

  nth_element(dt.bb.begin(),dt.bb.begin()+100,dt.bb.end(),CComparator(tmp.conf));函数等同排序，

接着到第三步：

     getPattern(patch,dt.patch[i],mean,stdev);                //  Get pattern within bounding box

      classifier.NNConf(dt.patch[i],dt.isin[i],dt.conf1[i],dt.conf2[i]);  //  Eva

通过第二步的grid的经过（getPattern）函数处理后，接着求 出 图像片pattern到在线模型M的相关相似度和保守相似度，

//相关相似度大于阈值，则认为含有前景目标  

      if (dt.conf1[i]>nn_th){                                               //  idx = dt.conf1 > tld.model.thr_nn; % get all indexes that made it through the nearest neighbour  

          dbb.push_back(grid[idx]);                                         //  BB    = dt.bb(:,idx); % bounding boxes  

          dconf.push_back(dt.conf2[i]);                                     //  Conf  = dt.conf2(:,idx); % conservative confidences  

      }  

如果dbb.size()大于0

则认为检测到目标

初学者，个人自己理解有误，所以有不足的地方，敬请谅解，希望能得到大神的指点；