/**
* 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;
}
