// 初始化 --------------------------------------------------------
// 参数1帧宽,参数2帧高,参数3初始第一帧,参数4初始边框盒
void BpTld_Init(int Width,int Height,IplImage * firstImage,double * firstbb)
{
// 获取图像参数
frameWidth = Width;
frameHeight = Height;
frameSize = (CvSize *)malloc(sizeof(CvSize));
*frameSize = cvSize(frameWidth, frameHeight);
IntegralImage *firstFrame = new IntegralImage();
firstFrame->createFromIplImage(firstImage);
IplImage *firstFrameIplImage = firstImage;
double *bb = firstbb;
initBBWidth = (float)bb[2];
initBBHeight = (float)bb[3];
//初始化信任度
confidence = 1.0f;
// 初始化分类器,跟踪器和探测器
srand((unsigned int)time(0));
classifier = new Classifier(TOTAL_FERNS, TOTAL_NODES, MIN_FEATURE_SCALE, MAX_FEATURE_SCALE);
tracker = new Tracker(frameWidth, frameHeight, frameSize, firstFrameIplImage, classifier);
detector = new Detector(frameWidth, frameHeight, bb, classifier);
// 用初始图像小块和它的仿射变形来训练分类器
classifier->train(firstFrame, (int)bb[0], (int)bb[1], (int)initBBWidth, (int)initBBHeight, 1);
bbWarpPatch(firstFrame, bb);
trainNegative(firstFrame, bb);
// 释放内存
delete firstFrame;
// 设置bool值initialised
initialised = true;
return;
}
/* MEX入口点.
两种使用方法:
初始化:
TLD(帧宽, 帧高, 第一帧, 选择出的边框盒)
处理每一帧:
新的轨迹边框盒 = TLD(当前帧, 轨迹边框盒)
*/
void BpTld_Process(IplImage * NewImage,double * ttbb,double * outPut) {
// 获得输入 -------------------------------------------------------------
// 当前帧
IplImage *nextFrame = NewImage;
IntegralImage *nextFrameIntImg = new IntegralImage();
nextFrameIntImg->createFromIplImage(NewImage);
// 轨迹边框盒[x, y, width, height]
double *bb = ttbb;
// 跟踪 + 探测 ------------------------------------------------------
// 只有在上个迭代中我们足够自信的时候,才跟踪
// 从这开始，跟踪器处理下一帧内存
double *tbb;
vector<double *> *dbbs;
if (confidence > MIN_TRACKING_CONF) {
tbb = tracker->track(nextFrame, nextFrameIntImg, bb);
if (tbb[4] > MIN_TRACKING_CONF)
{
dbbs = detector->detect(nextFrameIntImg, tbb);
}
else
{
dbbs = detector->detect(nextFrameIntImg, NULL);
}
} else {
dbbs = detector->detect(nextFrameIntImg, NULL);
tracker->setPrevFrame(nextFrame);
tbb = new double[5];
tbb[0] = 0;
tbb[1] = 0;
tbb[2] = 0;
tbb[3] = 0;
tbb[4] = MIN_TRACKING_CONF;
}
// 学习 -----------------------------------------------------------------
// 获得最好的探测出的小块的信任度
double dbbMaxConf = 0.0f;
int dbbMaxConfIndex = -1;
for (int i = 0; i < dbbs->size(); i++) {
double dbbConf = dbbs->at(i)[4];
if (dbbConf > dbbMaxConf) {
dbbMaxConf = dbbConf;
dbbMaxConfIndex = i;
}
}
// //
//if (dbbMaxConfIndex >= 0)
//{ testDetector.x = dbbs->at(dbbMaxConfIndex)[0];
//testDetector.y = dbbs->at(dbbMaxConfIndex)[1];
//testDetector.width = dbbs->at(dbbMaxConfIndex)[2];
//testDetector.height = dbbs->at(dbbMaxConfIndex)[3];
//}
////
// 如果探测出的小块中有一个信任度最高，并且大于MIN_REINIT_CONF
// 那么就重置跟踪器的边框盒
if (dbbMaxConf > tbb[4] && dbbMaxConf > MIN_REINIT_CONF) {
delete tbb;
tbb = new double[5];
double *dbb = dbbs->at(dbbMaxConfIndex);
tbb[0] = dbb[0];
tbb[1] = dbb[1];
tbb[2] = dbb[2];
tbb[3] = dbb[3];
tbb[4] = dbb[4];
}
// 如果跟踪出的小块的信任度最高并且最后一帧时足够自信，那么就启动约束。
else if (tbb[4] > dbbMaxConf && confidence > MIN_LEARNING_CONF) {
for (int i = 0; i < dbbs->size(); i++) {
// 用正向和负向小块训练分类器
// 正向-与被跟踪的小块重合
// 负向-被分类为正向但与被跟踪的小块不重合
double *dbb = dbbs->at(i);
if (dbb[5] == 1) {
classifier->train(nextFrameIntImg, (int)dbb[0], (int)dbb[1], (int)dbb[2], (int)dbb[3], 1);
}
else if (dbb[5] == 0) {
classifier->train(nextFrameIntImg, (int)dbb[0], (int)dbb[1], (int)dbb[2], (int)dbb[3], 0);
}
}
}
// 为下个迭代设置信任度
confidence = tbb[4];
//设置输出
outPut[0] = tbb[0];
outPut[1] = tbb[1];
outPut[2] = tbb[2];
outPut[3] = tbb[3];
//////////////////////////////////////////////////////////////////////////
//此处tbb[0],tbb[1],tbb[2],tbb[3]即是最终的边框盒
//如果tbb[2],tbb[3]全都大于0,,就表明估算出物体位置
//////////////////////////////////////////////////////////////////////////
// 设置输出 ------------------------------------------------------------
// 我们输出一系列边框盒;第一个是跟踪出的小块，剩下的是探测出的小块
// Rows correspond to individual bounding boxes
// Columns correspond to [x, y, width, height, confidence, overlapping]
// 释放内存
free(tbb);
dbbs->clear();
delete nextFrameIntImg;
}
