一、簡介

    在Opencv2.4.9的原始碼中，對modules模組opencv_objdetect子專案中CascadeClasssifier類中的detectMultiScale函式進行了分析，涉及程式碼在cascadedetect.hpp和cascadedetect.cpp中。

    CascadeClassifier為級聯分類器檢測類，使用Adaboost的方法，提取LBP\HOG\HAAR特徵進行目標檢測，載入traincascade進行訓練的分類器。

    detectMultiScale能夠實現多尺度檢測，但多尺度檢測是通過縮放影象來完成的。

二、函式簡介

voidCascadeClassifier::detectMultiScale( const Mat& image, —Mat

                                       vector<Rect>& objects,—檢測得到的矩形

                                       doublescaleFactor, —影象縮放因子，必須大於1

                                       intminNeighbors,—構成檢測目標的相鄰矩形的最小個數

                                       int flags, —舊分類器使用，新分類器棄用

                                       Size minObjectSize, —

                                       Size maxObjectSize)—最大檢測視窗大小（預設是影象大小）

三、函式使用

    在進入detectMultiScal函式之前，首先需要對CascadeClassifier做初始化。

1.    初始化——read函式

CascadeClassifier的初始化很簡單：

cv::CascadeClassifierclassifier;

classifier.load(“cascade.xml”);//這裡的xml是訓練得到的分類器xml

CascadeClassifier類中既有load也有read函式，二者是相同的，load將引用read函式。

1.1  xml的結構

訓練得到的分類器以xml形式儲存，整體上它包括stageType、featureType、height、width、stageParams、featureParams、stageNum、stages、features節點。

除stages和features外，其他主要是一些分類器的引數。

Stages中包含stageNum個stage（訓練程式設定），每個stage中包含多個weakClassifiers，而每個weakClassifier中又包含一個internalNodes和一個leafValues。internalNodes中變數代表一個node，分別為node中的left/right標記、特徵池中的ID和threshold。leafValues中兩個變數代表一個node，分別為left leaf的值和right leaf的值。

而features是分類器的特徵池，每個特徵包含一個矩形。

1.2   read的過程

下面是read程式碼，主要包括從xml中獲取兩部分內容：data和featureEvaluator的讀取。

1.3  read的結果

read的結果一是初始化了分類器的特徵型別、最小檢測視窗size等引數；二是建立級聯的分類器樹；三是提取了xml中的特徵池。

2.    detectMultiscale函式

在load分類器之後，可以呼叫該函式對一幅影象做多尺度檢測。

1.1   顏色通道

如果輸入是彩色影象，程式碼會自動轉為灰度圖。

1.2   縮放尺寸

輸入影象尺寸必須大於分類器樣本尺寸。

影象尺寸經縮放因子後，再四舍五捨得到尺寸。

ex1：

分類器：18*18；輸入影象：24*24；detectMultiScale(frame_gray,vct_rc, 1.05, 1, 0, Size(20,20))；

多尺度檢測尺寸：22*22、21*21、20*20、19*19

ex2：

分類器：18*18；輸入影象：24*24；detectMultiScale(frame_gray, vct_rc, 1.05, 1, 0, Size(21,21))；

多尺度檢測尺寸：21*21、20*20、19*19

ex3：

分類器：18*18；輸入影象：24*24；detectMultiScale(frame_gray,vct_rc, 1.05, 1, 0, Size(22,22))；

多尺度檢測尺寸：20*20、19*19

ex4：

分類器：18*18；輸入影象：26*26；detectMultiScale(frame_gray,vct_rc, 1.05, 1, 0, Size(22,22))；

多尺度檢測尺寸：21*21、20*20、19*19

1.3   平行計算

平行計算內容寫在過載操作（）函式體中。

classCV_EXPORTS ParallelLoopBody

{

public:

    virtual~ParallelLoopBody();

    virtual void operator() (const Range& range) const= 0;

};

CV_EXPORTSvoid parallel_for_(constRange& range, const ParallelLoopBody&body, double nstripes=-1.);

1)       detectSingleScale函式中，setImage函式計算積分圖，對於X個特徵，根據對應的X個rect，分別計算各個rect的積分圖，並進行儲存。積分圖是16維的int陣列，跟矩形的對應關係如下圖，每個rect產生8維特徵：

2)       setImage函式中，先將原圖進行降取樣，然後提取全圖的積分圖，然後根據updatePtrs函式分配給X個特徵rect的積分圖陣列，放入featurePtr結構體陣列中，有rect和intp[]；

X個特徵rect是訓練分類器時分配的，每個rect的寬度和高度為一個block的寬高度；

3)       CV_SUM_PTRS：目的是根據原圖的積分圖，計算特徵rect的積分圖陣列。引數ptr為原圖的積分圖資料，tr為當前計算的rect，step為積分圖的寬度；

#defineCV_SUM_PTRS( p0, p1, p2, p3, sum, rect, step )                        \

    /* (x, y) */                                                         \

    (p0) = sum + (rect).x + (step) *(rect).y,                                   \

    /* (x + w, y) */                                                      \

    (p1) = sum + (rect).x + (rect).width +(step) * (rect).y,                        \

    /* (x , y + h) */                                                       \

    (p2) = sum + (rect).x + (step) * ((rect).y+ (rect).height),                      \

    /* (x + w, y + h)*/                                                   \

    (p3) = sum + (rect).x + (rect).width +(step) * ((rect).y + (rect).height)

4)       calc函式，根據rect的積分圖16維int資料，獲取8位二進位制特徵，所以樣本特徵維數是8*num(rect)；