【OpenCV C++20 学习笔记】物体检测-Ballard和Guil霍夫变换

大家好，欢迎来到IT知识分享网。

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

//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：

//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：

//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); 

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：

//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(); 

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。