物体检测-Ballard和Guil一般化霍夫变换
Ballard一般化霍夫变换
概述
以往的霍夫变换对直线和曲线的检测都能适用，但必须要先进行二值化。而Ballard的方法能将霍夫变换推广到一般的灰度图片，所以称为一般化霍夫变换(Generalized Hough Transform)。而且Ballard的方法不仅能够识别直线、圆形、抛物线等分析曲线，还能通过这些简单的形状推广到更复杂的形状，最后做到能够识别任意的复杂形状。^1^
API
在OpenCV中，要调用Ballard一般化霍夫变换，没有现成的函数，需要先创造一个GeneralizedHoughBallard对象的智能指针，然后通过该指针设置相关的参数。
给GeneralizedHoughBallard指针传入一个模板，它就会在目标图中找出与模板相同的物体。
具体用法见下面的实现：
实现
这里使用的目标图片如下，即要在下图中找出我们想要识别的物体：
而模板图如下，即要找的物体：
注意：目标图片和模板图都必须转换成灰度格式才能进行检测：
cpp
//读取目标图片
Mat image = imread("generalized_hough_mini_image.jpg");
//以灰度格式读取模板图
Mat templ = imread("generalized_hough_mini_template.jpg", IMREAD_GRAYSCALE);
//将目标图片转换成灰度图片
Mat grayImage;
cvtColor(image, grayImage, COLOR_RGB2GRAY);创建Ballard对象指针，并设置参数，然后进行检测：
cpp
//创建接受检测结果的向量
vector<Vec4f> positionBallard;
Mat ballardImage{ image.clone() }; //复制原图以供绘制检测结果
//======创建Ballard对象指针======
Ptr<GeneralizedHoughBallard> ballard{ createGeneralizedHoughBallard() };
//设置基础参数
ballard->setMinDist(10); //设置检测到的物体之间的最小距离（A物体中心到B物体中心）
ballard->setLevels(360); //R-Table水平（我也不知道是啥）
ballard->setDp(2); //霍夫空间中的最小单元与图片像素的比例的倒数
ballard->setMaxBufferSize(1000); //设置内部缓冲的最大容量
ballard->setVotesThreshold(40); //votes的阈值
//设置边缘检测参数
ballard->setCannyLowThresh(30); //Canny边缘检测的下阈值
ballard->setCannyHighThresh(110); //Canny边缘检测的上阈值
//设置模板
ballard->setTemplate(templ); //设置要识别的物体的模板
//进行检测
ballard->detect(grayImage, //输入图，必须是灰度图
positionBallard); //输出结果，向量数组，每个向量包含4个浮点数检测结果
positionBallard中每个向量的4个浮点数中的前2个代表检测到的物体的外接矩形的中心点，第3个代表相对于模板的缩放尺寸，第4个代表旋转角度
因为返回的检测结果只是外接矩形的描述信息，所以必须要将矩形绘制出来才能将检测结果可视化：
cpp
//绘制Ballard检测结果
for (vector<Vec4f>::iterator iter = positionBallard.begin(); iter != positionBallard.end(); ++iter) {
//创建矩形对象
RotatedRect rRect = RotatedRect(Point2f((*iter)[0], (*iter)[1]),
Size2f(templ.cols * (*iter)[2], templ.rows * (*iter)[2]),
(*iter)[3]);
//获取矩形的四个顶点
Point2f vertices[4];
rRect.points(vertices);
//在原图上绘制矩形，线条为蓝色
for (int i = 0; i < 4; i++)
line(ballardImage, vertices[i], vertices[(i + 1) % 4], Scalar(255, 0, 0), 6);
}
imshow("Ballard物体检测", image);
imshow("模板图", templ);
waitKey(0);最终显示出来的检测结果如下（左图为模板图，右图为检测结果）：
可以看到只有左边的钥匙被成功识别了。
Guil一般化霍夫变换
概述
Guil一般化霍夫变换不仅能够识别目标图中与模板相同的物体，还能根据模板识别以不同方向摆放、大小被缩放甚至有点变形的物体^2^。
因此相比于Ballard方法，它还需要另外指定物体可能的旋转角度的范围以及缩放比例的范围。比如上图中的两把钥匙外形类似，因为摆放的方向不同，而出现了相对于模板图片的旋转角度的病原体不过；另外，两把钥匙的大小也有不同，从而出现了相对于模板图片的缩放的比例的不同。
API
在OpenCV中，同样也没有专门执行Guil检测的方法，也需要先创建GeneralizedHoughGuil的智能指针，然后再设置对应的参数。
GeneralizedHoughGuil的实现与GeneralizedHoughBallard的实现只是需要设置的参数的种类多少不同，其他步骤基本没什么差别。
实现
用同样的目标图和模板进行Guil物体检测：
cpp
//读取目标图片
Mat image = imread("generalized_hough_mini_image.jpg");
//以灰度格式读取模板图
Mat templ = imread("generalized_hough_mini_template.jpg", IMREAD_GRAYSCALE);
//将目标图片转换成灰度图片
Mat grayImage;
cvtColor(image, grayImage, COLOR_RGB2GRAY);
//创建接收检测结果的向量
vector<Vec4f> positionGuil;
Mat guilImage{ image.clone() };
//======创建Guil对象指针
Ptr<GeneralizedHoughGuil> guil = createGeneralizedHoughGuil();
//设置基础参数
guil->setMinDist(10);
guil->setLevels(360);
guil->setDp(3);
guil->setMaxBufferSize(1000);
//设置角度参数
guil->setMinAngle(0); //最小角度
guil->setMaxAngle(360); //最大角度
guil->setAngleStep(1); //每次检测步进的角度
guil->setAngleThresh(1000); //角度的votes阈值
//设置缩放比例参数
guil->setMinScale(0.7); //最小缩放比例
guil->setMaxScale(2.0); //最大缩放比例
guil->setScaleStep(0.05); //每次检测步进的缩放比例
guil->setScaleThresh(50); //缩放比例上的votes阈值
//！！我也不知道是什么
guil->setPosThresh(10); //位置上的votes阈值
//设置Canny边缘检测参数
guil->setCannyLowThresh(30); //下阈值
guil->setCannyHighThresh(110); //上阈值
//设置模板
guil->setTemplate(templ);
//进行检测
guil->detect(grayImage, positionGuil);
//绘制Guil检测结果
for (vector<Vec4f>::iterator iter = positionGuil.begin(); iter != positionGuil.end(); ++iter) {
RotatedRect rRect = RotatedRect(Point2f((*iter)[0], (*iter)[1]),
Size2f(templ.cols * (*iter)[2], templ.rows *(*iter)[2]),
(*iter)[3]);
Point2f vertices[4];
rRect.points(vertices);
for (int i = 0; i < 4; i++)
line(guilImage, vertices[i], vertices[(i + 1) % 4], Scalar(0, 255, 0), 2);
}
imshow("Guil物体检测", guilImage);
imshow("模板图", templ);
waitKey();检测结果如下：
可以看到两把钥匙都被检测出来了
挖坑
OpenCV的官方文档中对GeneralizedHoughGuil和GeneralizedHoughBallard类中的方法基本没有详细的介绍，参考文献中的两篇论文又太专业了。所以这篇文章中有些地方我也没搞清楚，先mark一下，等什么时候有空了，好好啃啃这两篇论文。