/**
* Этот метод выполняет шаг группирования.
*
* @return boolean TRUE, если объединение объектов произошло.
*/
private boolean groupByIntersectionStep() {
int i = 0;
while (i < objects.size() - 1) {
int j = i + 1;
while (j < objects.size()) {
// Есть два прямоугольника (объекта)
Rectangle a = objects.get(i).rectangle;
Rectangle b = objects.get(j).rectangle;
// Проверяем, пересекаются ли они
if (a.intersect(b)) {
// Рассчитываем площадь пересечения
final double s = a.intersection(b).getSquare();
// Нас интересует относительная величина
final double f = Math.max(a.getSquare() / s, b.getSquare() / s);
// Проверяем порог
if (f > params.intersectionThreshold) {
// Выбираем победителя
if (objects.get(i).score > objects.get(j).score) {
// Победил A
objects.remove(j);
} else {
// Победил B
objects.remove(i);
}
return true;
}
}
j++;
}
i++;
}
return false;
}
/**
* Этот метод выполняет обнаружение объектов.
*
* <p>В результате получаем множество возможных положений объектов.
*
* @return double наибольший наблюдаемый отклик.
*/
private double detect(double scale) {
LOG.debug("Detecting, scale = " + scale);
// Выбираем каскад Хаара
final HaarCascade cascade = getHaarCascade(scale);
// Создаем кластеризатор
KMeansClusterer kmeans = new KMeansClusterer(params.k);
kmeans.setThreshold(params.threshold);
// Шаг по осям будет зависеть от размера
final int d = Math.max(1, (int) (scale / 4.0));
// Haar Detection
for (int y = ROI.getY1(); y < ROI.getY2() - cascade.height; y += d) {
for (int x = ROI.getX1(); x < ROI.getX2() - cascade.width; x += d) {
final double r = HaarCascadeEvaluator.evaluateHaarCascade(cascade, integralImage, x, y);
if (r > 0.0) {
kmeans.addPoint(x + cascade.width / 2, y + cascade.height / 2);
}
}
}
// Кластеризуем отклики
kmeans.cluster();
// Группируем кластеры
kmeans.group();
// Сохраняем обнаруженные возможные положения объектов
double maxScore = 0;
for (Cluster c : kmeans.getClusters()) {
// Объектом становится отклик который ближе других к центру кластера
final ClusterPoint p = kmeans.getNearestPoint(c);
// Создаем и сохраняем объект
objects.add(
new HaarObject(
new Rectangle(
p.getPoint().getX() - cascade.width / 2,
p.getPoint().getY() - cascade.height / 2,
cascade.width,
cascade.height),
c.getM()));
// Обновляем рекорд
if (c.getM() > maxScore) {
maxScore = c.getM();
}
}
LOG.debug("Found " + objects.size() + " candidates, maximum score = " + maxScore);
return maxScore;
}
/** @see ImageProcessor#process() */
@Override
public void process() {
LOG.debug("Processing...");
if (integralImage == null) {
throw new RuntimeException("Integral image undefined!");
}
// Cleanup
objects.clear();
// Если ROI не определен, придется анализировать все изображение
if (ROI == null) {
ROI = new Rectangle(0, 0, integralImage.width - 1, integralImage.height - 1);
}
// Используется для оптимизации (alpha-pruning)
double a = 0;
// Обнаружение ведем от максимального масштаба к минимальному
double scale =
Math.min(ROI.getWidth() / params.cascade.width, ROI.getHeight() / params.cascade.height)
* params.maxScale;
do {
final double r = detect(scale);
if (params.detectBiggest) {
// Pruning
if (r > 0) {
if (r > a) {
a = r;
} else break;
}
}
} while ((scale -= params.scaleStep) >= params.minScale);
if (params.detectBiggest) {
// Сохраняем положение объекта с максимальным откликом
ArrayList<HaarObject> t = new ArrayList<>();
HaarObject mainObject = getMainObject();
if (mainObject != null) {
LOG.debug("Main object has score = " + mainObject.score);
t.add(mainObject);
}
objects = t;
} else {
// Группируем обнаруженные возможные положения объектов
groupByIntersection();
}
// Если надо выполняем трассировку откликов
if (params.trace) {
for (HaarObject object : objects) {
final Rectangle r = object.rectangle;
final HaarCascade cascade = getHaarCascade(r.getWidth() / (double) params.cascade.width);
object.trace =
HaarCascadeEvaluator.traceHaarCascade(cascade, integralImage, r.getX(), r.getY());
}
}
LOG.debug("Done.");
}