opencv/src/cv/cvcascadedetect.cpp

   1 /*M///////////////////////////////////////////////////////////////////////////////////////
   2 //
   3 //  IMPORTANT: READ BEFORE DOWNLOADING, COPYING, INSTALLING OR USING.
   4 //
   5 //  By downloading, copying, installing or using the software you agree to this license.
   6 //  If you do not agree to this license, do not download, install,
   7 //  copy or use the software.
   8 //
   9 //
  10 //                        Intel License Agreement
  11 //                For Open Source Computer Vision Library
  12 //
  13 // Copyright (C) 2000, Intel Corporation, all rights reserved.
  14 // Third party copyrights are property of their respective owners.
  15 //
  16 // Redistribution and use in source and binary forms, with or without modification,
  17 // are permitted provided that the following conditions are met:
  18 //
  19 //   * Redistribution's of source code must retain the above copyright notice,
  20 //     this list of conditions and the following disclaimer.
  21 //
  22 //   * Redistribution's in binary form must reproduce the above copyright notice,
  23 //     this list of conditions and the following disclaimer in the documentation
  24 //     and/or other materials provided with the distribution.
  25 //
  26 //   * The name of Intel Corporation may not be used to endorse or promote products
  27 //     derived from this software without specific prior written permission.
  28 //
  29 // This software is provided by the copyright holders and contributors "as is" and
  30 // any express or implied warranties, including, but not limited to, the implied
  31 // warranties of merchantability and fitness for a particular purpose are disclaimed.
  32 // In no event shall the Intel Corporation or contributors be liable for any direct,
  33 // indirect, incidental, special, exemplary, or consequential damages
  34 // (including, but not limited to, procurement of substitute goods or services;
  35 // loss of use, data, or profits; or business interruption) however caused
  36 // and on any theory of liability, whether in contract, strict liability,
  37 // or tort (including negligence or otherwise) arising in any way out of
  38 // the use of this software, even if advised of the possibility of such damage.
  39 //
  40 //M*/
  41
  42 #include "_cv.h"
  43 #include <cstdio>
  44
  45 namespace cv
  46 {
  47
  48 // class for grouping object candidates, detected by Cascade Classifier, HOG etc.
  49 // instance of the class is to be passed to cv::partition (see cxoperations.hpp)
  50 class CV_EXPORTS SimilarRects
  51 {
  52 public:
  53     SimilarRects(double _eps) : eps(_eps) {}
  54     inline bool operator()(const Rect& r1, const Rect& r2) const
  55     {
  56         double delta = eps*(std::min(r1.width, r2.width) + std::min(r1.height, r2.height))*0.5;
  57         return std::abs(r1.x - r2.x) <= delta &&
  58         std::abs(r1.y - r2.y) <= delta &&
  59         std::abs(r1.x + r1.width - r2.x - r2.width) <= delta &&
  60         std::abs(r1.y + r1.height - r2.y - r2.height) <= delta;
  61     }
  62     double eps;
  63 };
  64
  65
  66 void groupRectangles(vector<Rect>& rectList, int groupThreshold, double eps)
  67 {
  68     if( groupThreshold <= 0 )
  69         return;
  70
  71     vector<int> labels;
  72     int nclasses = partition(rectList, labels, SimilarRects(eps));
  73     vector<Rect> rrects(nclasses);
  74     vector<int> rweights(nclasses, 0);
  75     int i, nlabels = (int)labels.size();
  76     for( i = 0; i < nlabels; i++ )
  77     {
  78         int cls = labels[i];
  79         rrects[cls].x += rectList[i].x;
  80         rrects[cls].y += rectList[i].y;
  81         rrects[cls].width += rectList[i].width;
  82         rrects[cls].height += rectList[i].height;
  83         rweights[cls]++;
  84     }
  85     rectList.clear();
  86     for( i = 0; i < nclasses; i++ )
  87     {
  88         Rect r = rrects[i];
  89         if( rweights[i] <= groupThreshold )
  90             continue;
  91         float s = 1.f/rweights[i];
  92         rectList.push_back(Rect(saturate_cast<int>(r.x*s),
  93                                 saturate_cast<int>(r.y*s),
  94                                 saturate_cast<int>(r.width*s),
  95                                 saturate_cast<int>(r.height*s)));
  96     }
  97 }
  98
  99 //-----------------------------------------------------------------------------------------------------------------
 100 #define CC_CASCADE_PARAMS "cascadeParams"
 101 #define CC_STAGE_TYPE     "stageType"
 102 #define CC_FEATURE_TYPE   "featureType"
 103 #define CC_HEIGHT         "height"
 104 #define CC_WIDTH          "width"
 105
 106 #define CC_STAGE_NUM    "stageNum"
 107 #define CC_STAGES       "stages"
 108 #define CC_STAGE_PARAMS "stageParams"
 109
 110 #define CC_BOOST            "BOOST"
 111 #define CC_MAX_DEPTH        "maxDepth"
 112 #define CC_WEAK_COUNT       "maxWeakCount"
 113 #define CC_STAGE_THRESHOLD  "stageThreshold"
 114 #define CC_WEAK_CLASSIFIERS "weakClassifiers"
 115 #define CC_INTERNAL_NODES   "internalNodes"
 116 #define CC_LEAF_VALUES      "leafValues"
 117
 118 #define CC_FEATURES       "features"
 119 #define CC_FEATURE_PARAMS "featureParams"
 120 #define CC_MAX_CAT_COUNT  "maxCatCount"
 121
 122 #define CC_HAAR   "HAAR"
 123 #define CC_RECTS  "rects"
 124 #define CC_TILTED "tilted"
 125
 126 #define CC_LBP  "LBP"
 127 #define CC_RECT "rect"
 128
 129 #define CV_SUM_PTRS( p0, p1, p2, p3, sum, rect, step )                    \
 130     /* (x, y) */                                                          \
 131     (p0) = sum + (rect).x + (step) * (rect).y,                            \
 132     /* (x + w, y) */                                                      \
 133     (p1) = sum + (rect).x + (rect).width + (step) * (rect).y,             \
 134     /* (x + w, y) */                                                      \
 135     (p2) = sum + (rect).x + (step) * ((rect).y + (rect).height),          \
 136     /* (x + w, y + h) */                                                  \
 137     (p3) = sum + (rect).x + (rect).width + (step) * ((rect).y + (rect).height)
 138
 139 #define CV_TILTED_PTRS( p0, p1, p2, p3, tilted, rect, step )                        \
 140     /* (x, y) */                                                                    \
 141     (p0) = tilted + (rect).x + (step) * (rect).y,                                   \
 142     /* (x - h, y + h) */                                                            \
 143     (p1) = tilted + (rect).x - (rect).height + (step) * ((rect).y + (rect).height), \
 144     /* (x + w, y + w) */                                                            \
 145     (p2) = tilted + (rect).x + (rect).width + (step) * ((rect).y + (rect).width),   \
 146     /* (x + w - h, y + w + h) */                                                    \
 147     (p3) = tilted + (rect).x + (rect).width - (rect).height                         \
 148            + (step) * ((rect).y + (rect).width + (rect).height)
 149
 150 #define CALC_SUM_(p0, p1, p2, p3, offset) \
 151     ((p0)[offset] - (p1)[offset] - (p2)[offset] + (p3)[offset])
 152
 153 #define CALC_SUM(rect,offset) CALC_SUM_((rect)[0], (rect)[1], (rect)[2], (rect)[3], offset)
 154
 155
 156 FeatureEvaluator::~FeatureEvaluator() {}
 157 bool FeatureEvaluator::read(const FileNode&) {return true;}
 158 int FeatureEvaluator::getFeatureType() const {return -1;}
 159
 160 bool FeatureEvaluator::setImage(const Mat&, Size) { return true; }
 161 int FeatureEvaluator::setWindow(Point) { return true; }
 162
 163 class HaarEvaluator : public FeatureEvaluator
 164 {
 165 public:
 166     struct Feature
 167     {
 168         Feature();
 169
 170         float calc( int offset ) const;
 171         void updatePtrs( const Mat& sum );
 172         bool read( const FileNode& node );
 173
 174         bool tilted;
 175
 176         enum { RECT_NUM = 3 };
 177
 178         struct
 179         {
 180             Rect r;
 181             float weight;
 182         } rect[RECT_NUM];
 183
 184         const int* p[RECT_NUM][4];
 185     };
 186
 187     HaarEvaluator();
 188     virtual ~HaarEvaluator();
 189
 190     virtual bool read( const FileNode& node );
 191     virtual bool setImage(const Mat& image, Size _origWinSize );
 192     virtual int setWindow( Point pt );
 193     virtual int getFeatureType() const { return FeatureEvaluator::HAAR; }
 194
 195     double operator()(int featureIdx, int pOffset) const
 196     { return features[featureIdx].calc(pOffset) * varianceNormFactor; }
 197
 198 private:
 199     Size origWinSize;
 200     vector<Feature> features;
 201     bool hasTiltedFeatures;
 202
 203     Mat sum0, sqsum0, tilted0;
 204     Mat sum, sqsum, tilted;
 205
 206     Rect normrect;
 207     const int *p[4];
 208     const double *pq[4];
 209
 210     double varianceNormFactor;
 211 };
 212
 213 //----------------------------------------------  Haar Features ------------------------------------------------
 214 inline HaarEvaluator::Feature :: Feature()
 215 {
 216     tilted = false;
 217     rect[0].r = rect[1].r = rect[2].r = Rect();
 218     rect[0].weight = rect[1].weight = rect[2].weight = 0;
 219     p[0][0] = p[0][1] = p[0][2] = p[0][3] =
 220     p[1][0] = p[1][1] = p[1][2] = p[1][3] =
 221     p[2][0] = p[2][1] = p[2][2] = p[2][3] = 0;
 222 }
 223
 224 inline float HaarEvaluator::Feature :: calc( int offset ) const
 225 {
 226     float ret = rect[0].weight * CALC_SUM(p[0], offset) + rect[1].weight * CALC_SUM(p[1], offset);
 227
 228     if( rect[2].weight != 0.0f )
 229         ret += rect[2].weight * CALC_SUM(p[2], offset);
 230
 231     return ret;
 232 }
 233
 234 inline void HaarEvaluator::Feature :: updatePtrs( const Mat& sum )
 235 {
 236     const int* ptr = (const int*)sum.data;
 237     size_t step = sum.step/sizeof(ptr[0]);
 238     if (tilted)
 239     {
 240         CV_TILTED_PTRS( p[0][0], p[0][1], p[0][2], p[0][3], ptr, rect[0].r, step );
 241         CV_TILTED_PTRS( p[1][0], p[1][1], p[1][2], p[1][3], ptr, rect[1].r, step );
 242         if (rect[2].weight)
 243             CV_TILTED_PTRS( p[2][0], p[2][1], p[2][2], p[2][3], ptr, rect[2].r, step );
 244     }
 245     else
 246     {
 247         CV_SUM_PTRS( p[0][0], p[0][1], p[0][2], p[0][3], ptr, rect[0].r, step );
 248         CV_SUM_PTRS( p[1][0], p[1][1], p[1][2], p[1][3], ptr, rect[1].r, step );
 249         if (rect[2].weight)
 250             CV_SUM_PTRS( p[2][0], p[2][1], p[2][2], p[2][3], ptr, rect[2].r, step );
 251     }
 252 }
 253
 254 bool HaarEvaluator::Feature :: read( const FileNode& node )
 255 {
 256     FileNode rnode = node[CC_RECTS];
 257     FileNodeIterator it = rnode.begin(), it_end = rnode.end();
 258
 259     int ri;
 260     for( ri = 0; ri < RECT_NUM; ri++ )
 261     {
 262         rect[ri].r = Rect();
 263         rect[ri].weight = 0.f;
 264     }
 265
 266     for(ri = 0; it != it_end; ++it, ri++)
 267     {
 268         FileNodeIterator it2 = (*it).begin();
 269         it2 >> rect[ri].r.x >> rect[ri].r.y >>
 270             rect[ri].r.width >> rect[ri].r.height >> rect[ri].weight;
 271     }
 272
 273     tilted = (int)node[CC_TILTED] != 0;
 274     return true;
 275 }
 276
 277
 278 HaarEvaluator::HaarEvaluator()
 279 {
 280 }
 281
 282 HaarEvaluator::~HaarEvaluator()
 283 {
 284 }
 285
 286 bool HaarEvaluator::read(const FileNode& node)
 287 {
 288     features.resize(node.size());
 289     FileNodeIterator it = node.begin(), it_end = node.end();
 290     hasTiltedFeatures = false;
 291
 292     for(int i = 0; it != it_end; ++it, i++)
 293     {
 294         if(!features[i].read(*it))
 295             return false;
 296         if( features[i].tilted )
 297             hasTiltedFeatures = true;
 298     }
 299     return true;
 300 }
 301
 302 bool HaarEvaluator::setImage( const Mat& image, Size _origWinSize )
 303 {
 304     int rn = image.rows+1, cn = image.cols+1;
 305     origWinSize = _origWinSize;
 306     normrect = Rect(1, 1, origWinSize.width-2, origWinSize.height-2);
 307
 308     if (image.cols < origWinSize.width || image.rows < origWinSize.height)
 309         return false;
 310
 311     if( sum0.rows < rn || sum0.cols < cn )
 312     {
 313         sum0.create(rn, cn, CV_32S);
 314         sqsum0.create(rn, cn, CV_64F);
 315         if (hasTiltedFeatures)
 316             tilted0.create( rn, cn, CV_32S);
 317     }
 318     sum = Mat(rn, cn, CV_32S, sum0.data);
 319     sqsum = Mat(rn, cn, CV_32S, sqsum0.data);
 320     if( hasTiltedFeatures )
 321     {
 322         tilted = Mat(rn, cn, CV_32S, tilted0.data);
 323         integral(image, sum, sqsum, tilted);
 324     }
 325     else
 326         integral(image, sum, sqsum);
 327
 328     const int* sdata = (const int*)sum.data;
 329     const double* sqdata = (const double*)sqsum.data;
 330     size_t sumStep = sum.step/sizeof(sdata[0]);
 331     size_t sqsumStep = sqsum.step/sizeof(sqdata[0]);
 332
 333     CV_SUM_PTRS( p[0], p[1], p[2], p[3], sdata, normrect, sumStep );
 334     CV_SUM_PTRS( pq[0], pq[1], pq[2], pq[3], sqdata, normrect, sqsumStep );
 335
 336     size_t fi, nfeatures = features.size();
 337
 338     for( fi = 0; fi < nfeatures; fi++ )
 339         features[fi].updatePtrs( !features[fi].tilted ? sum : tilted );
 340
 341     return true;
 342 }
 343
 344
 345 int HaarEvaluator::setWindow( Point pt )
 346 {
 347     if( pt.x < 0 || pt.y < 0 ||
 348         pt.x + origWinSize.width >= sum.cols-2 ||
 349         pt.y + origWinSize.height >= sum.rows-2 )
 350         return false;
 351
 352     size_t pOffset = pt.y * (sum.step/sizeof(int)) + pt.x;
 353     size_t pqOffset = pt.y * (sqsum.step/sizeof(double)) + pt.x;
 354     int valsum = CALC_SUM(p,pOffset);
 355     double valsqsum = CALC_SUM(pq,pqOffset);
 356
 357     varianceNormFactor = (double)normrect.area() * valsqsum - (double)valsum * valsum;
 358     if( varianceNormFactor > 0. )
 359         varianceNormFactor = sqrt(varianceNormFactor);
 360     else
 361         varianceNormFactor = 1.;
 362     varianceNormFactor = 1./varianceNormFactor;
 363     return (int)pOffset;
 364 }
 365
 366 //----------------------------------------------  LBP Features ------------------------------------------------
 367
 368 class LBPEvaluator : public FeatureEvaluator
 369 {
 370 public:
 371     struct Feature
 372     {
 373         Feature();
 374         Feature( int x, int y, int _block_w, int _block_h  ) :
 375         rect(x, y, _block_w, _block_h) {}
 376
 377         int calc( int offset ) const;
 378         void updatePtrs( const Mat& sum );
 379         bool read(const FileNode& node );
 380
 381         Rect rect; // weight and height for block
 382         const int* p[16]; // fast
 383     };
 384
 385     LBPEvaluator();
 386     virtual ~LBPEvaluator();
 387
 388     virtual bool read( const FileNode& node );
 389     virtual bool setImage(const Mat& image, Size _origWinSize);
 390     virtual int setWindow( Point pt );
 391     virtual int getFeatureType() const { return FeatureEvaluator::LBP; }
 392
 393     int operator()(int featureIdx, int pOffset) const
 394     { return features[featureIdx].calc(pOffset); }
 395
 396     virtual int calcCat(int featureIdx, int pOffset) const
 397     { return (*this)(featureIdx, pOffset); }
 398
 399 private:
 400     Size origWinSize;
 401     vector<LBPEvaluator::Feature> features;
 402
 403     Mat sum0, sum;
 404     Rect normrect;
 405 };
 406
 407
 408 inline LBPEvaluator::Feature :: Feature()
 409 {
 410     rect = Rect();
 411     for( int i = 0; i < 16; i++ )
 412         p[i] = 0;
 413 }
 414
 415 inline int LBPEvaluator::Feature :: calc( int offset ) const
 416 {
 417     int cval = CALC_SUM_( p[5], p[6], p[9], p[10], offset );
 418
 419     return (CALC_SUM_( p[0], p[1], p[4], p[5], offset ) >= cval ? 128 : 0) |   // 0
 420            (CALC_SUM_( p[1], p[2], p[5], p[6], offset ) >= cval ? 64 : 0) |    // 1
 421            (CALC_SUM_( p[2], p[3], p[6], p[7], offset ) >= cval ? 32 : 0) |    // 2
 422            (CALC_SUM_( p[6], p[7], p[10], p[11], offset ) >= cval ? 16 : 0) |  // 5
 423            (CALC_SUM_( p[10], p[11], p[14], p[15], offset ) >= cval ? 8 : 0)|  // 8
 424            (CALC_SUM_( p[9], p[10], p[13], p[14], offset ) >= cval ? 4 : 0)|   // 7
 425            (CALC_SUM_( p[8], p[9], p[12], p[13], offset ) >= cval ? 2 : 0)|    // 6
 426            (CALC_SUM_( p[4], p[5], p[8], p[9], offset ) >= cval ? 1 : 0);
 427 }
 428
 429 inline void LBPEvaluator::Feature :: updatePtrs( const Mat& sum )
 430 {
 431     const int* ptr = (const int*)sum.data;
 432     size_t step = sum.step/sizeof(ptr[0]);
 433     Rect tr = rect;
 434     CV_SUM_PTRS( p[0], p[1], p[4], p[5], ptr, tr, step );
 435     tr.x += 2*rect.width;
 436     CV_SUM_PTRS( p[2], p[3], p[6], p[7], ptr, tr, step );
 437     tr.y += 2*rect.height;
 438     CV_SUM_PTRS( p[10], p[11], p[14], p[15], ptr, tr, step );
 439     tr.x -= 2*rect.width;
 440     CV_SUM_PTRS( p[8], p[9], p[12], p[13], ptr, tr, step );
 441 }
 442
 443 bool LBPEvaluator::Feature :: read(const FileNode& node )
 444 {
 445     FileNode rnode = node[CC_RECT];
 446     FileNodeIterator it = rnode.begin();
 447     it >> rect.x >> rect.y >> rect.width >> rect.height;
 448     return true;
 449 }
 450
 451 //--------------------------------------- LBPEvaluator -------------------------------------------
 452
 453 LBPEvaluator::LBPEvaluator()
 454 {
 455 }
 456
 457 LBPEvaluator::~LBPEvaluator()
 458 {
 459 }
 460 bool LBPEvaluator::read( const FileNode& node )
 461 {
 462     features.resize(node.size());
 463     FileNodeIterator it = node.begin(), it_end = node.end();
 464
 465     for(int i = 0; it != it_end; ++it, i++)
 466     {
 467         if(!features[i].read(*it))
 468             return false;
 469     }
 470     return true;
 471 }
 472
 473 bool LBPEvaluator::setImage( const Mat& image, Size _origWinSize )
 474 {
 475     int rn = image.rows+1, cn = image.cols+1;
 476     origWinSize = _origWinSize;
 477
 478     if( image.cols < origWinSize.width || image.rows < origWinSize.height )
 479         return false;
 480
 481     if( sum0.rows < rn || sum0.cols < cn )
 482         sum0.create(rn, cn, CV_32S);
 483     sum = Mat(rn, cn, CV_32S, sum0.data);
 484     integral(image, sum);
 485
 486     size_t fi, nfeatures = features.size();
 487
 488     for( fi = 0; fi < nfeatures; fi++ )
 489         features[fi].updatePtrs( sum );
 490
 491     return true;
 492 }
 493
 494 int LBPEvaluator::setWindow( Point pt )
 495 {
 496     if( pt.x < 0 || pt.y < 0 ||
 497         pt.x + origWinSize.width >= sum.cols-2 ||
 498         pt.y + origWinSize.height >= sum.rows-2 )
 499         return -1;
 500     return pt.y * ((int)sum.step/sizeof(int)) + pt.x;
 501 }
 502
 503
 504 Ptr<FeatureEvaluator> FeatureEvaluator::create(int featureType)
 505 {
 506     return featureType == HAAR ? Ptr<FeatureEvaluator>(new HaarEvaluator) :
 507         featureType == LBP ? Ptr<FeatureEvaluator>(new LBPEvaluator) : Ptr<FeatureEvaluator>();
 508 }
 509
 510 /////////////////////////////////// Classifier Cascade ////////////////////////////////////////////////
 511
 512 CascadeClassifier::CascadeClassifier()
 513 {
 514 }
 515
 516 CascadeClassifier::CascadeClassifier(const String& filename)
 517 { load(filename); }
 518
 519 CascadeClassifier::~CascadeClassifier()
 520 {
 521 }
 522
 523 bool CascadeClassifier::empty() const
 524 {
 525     return oldCascade.empty() && stages.empty();
 526 }
 527
 528 bool CascadeClassifier::load(const String& filename)
 529 {
 530     oldCascade.release();
 531
 532     FileStorage fs(filename, FileStorage::READ);
 533     if( !fs.isOpened() )
 534         return false;
 535
 536     if( read(fs.getFirstTopLevelNode()) )
 537         return true;
 538
 539     fs.release();
 540
 541     oldCascade = Ptr<CvHaarClassifierCascade>((CvHaarClassifierCascade*)cvLoad(filename.c_str(), 0, 0, 0));
 542     return !oldCascade.empty();
 543 }
 544
 545
 546 template<class FEval>
 547 inline int predictOrdered( CascadeClassifier& cascade, int pOffset)
 548 {
 549     int si, nstages = (int)cascade.stages.size();
 550     int nodeOfs = 0, leafOfs = 0;
 551     FEval& feval = (FEval&)*cascade.feval;
 552
 553     for( si = 0; si < nstages; si++ )
 554     {
 555         CascadeClassifier::Stage& stage = cascade.stages[si];
 556         int wi, ntrees = stage.ntrees;
 557         double sum = 0;
 558
 559         for( wi = 0; wi < ntrees; wi++ )
 560         {
 561             CascadeClassifier::DTree& weak = cascade.classifiers[stage.first + wi];
 562             int idx = 0, root = nodeOfs;
 563             do
 564             {
 565                 CascadeClassifier::DTreeNode& node = cascade.nodes[root + idx];
 566                 double val = feval(node.featureIdx, pOffset);
 567                 idx = val < node.threshold ? node.left : node.right;
 568             }
 569             while( idx > 0 );
 570             sum += cascade.leaves[leafOfs - idx];
 571             nodeOfs += weak.nodeCount;
 572             leafOfs += weak.nodeCount + 1;
 573         }
 574         if( sum < stage.threshold )
 575             return -si;
 576     }
 577     return 1;
 578 }
 579
 580 template<class FEval>
 581 inline int predictCategorical( CascadeClassifier& cascade, int pOffset)
 582 {
 583     int si, nstages = (int)cascade.stages.size();
 584     int nodeOfs = 0, leafOfs = 0;
 585     FEval& feval = (FEval&)*cascade.feval;
 586     size_t subsetSize = (cascade.ncategories + 31)/32;
 587
 588     for( si = 0; si < nstages; si++ )
 589     {
 590         CascadeClassifier::Stage& stage = cascade.stages[si];
 591         int wi, ntrees = stage.ntrees;
 592         double sum = 0;
 593
 594         for( wi = 0; wi < ntrees; wi++ )
 595         {
 596             CascadeClassifier::DTree& weak = cascade.classifiers[stage.first + wi];
 597             int idx = 0, root = nodeOfs;
 598             do
 599             {
 600                 CascadeClassifier::DTreeNode& node = cascade.nodes[root + idx];
 601                 int c = feval(node.featureIdx, pOffset);
 602                 const int* subset = &cascade.subsets[(root + idx)*subsetSize];
 603                 idx = (subset[c>>5] & (1 << (c & 31))) ? node.left : node.right;
 604             }
 605             while( idx > 0 );
 606             sum += cascade.leaves[leafOfs - idx];
 607             nodeOfs += weak.nodeCount;
 608             leafOfs += weak.nodeCount + 1;
 609         }
 610         if( sum < stage.threshold )
 611             return -si;
 612     }
 613     return 1;
 614 }
 615
 616
 617 int CascadeClassifier::runAt(Point pt)
 618 {
 619     CV_Assert( oldCascade.empty() );
 620     /*if( !oldCascade.empty() )
 621         return cvRunHaarClassifierCascade(oldCascade, pt, 0);*/
 622
 623     assert(featureType == FeatureEvaluator::HAAR ||
 624            featureType == FeatureEvaluator::LBP);
 625     int offset = feval->setWindow(pt);
 626     return offset < 0 ? -1 :
 627         featureType == FeatureEvaluator::HAAR ?
 628             predictOrdered<HaarEvaluator>(*this, offset) :
 629             predictCategorical<LBPEvaluator>(*this, offset);
 630 }
 631
 632
 633 bool CascadeClassifier::setImage(const Mat& image)
 634 {
 635     /*if( !oldCascade.empty() )
 636     {
 637         Mat sum(image.rows+1, image.cols+1, CV_32S);
 638         Mat tilted(image.rows+1, image.cols+1, CV_32S);
 639         Mat sqsum(image.rows+1, image.cols+1, CV_64F);
 640         integral(image, sum, sqsum, tilted);
 641         CvMat _sum = sum, _sqsum = sqsum, _tilted = tilted;
 642         cvSetImagesForHaarClassifierCascade( oldCascade, &_sum, &_sqsum, &_tilted, 1. );
 643         return true;
 644     }*/
 645     return empty() ? false : feval->setImage(image, origWinSize);
 646 }
 647
 648
 649 struct getRect { Rect operator ()(const CvAvgComp& e) const { return e.rect; } };
 650 void CascadeClassifier::detectMultiScale( const Mat& image, vector<Rect>& objects,
 651                                           double scaleFactor, int minNeighbors,
 652                                           int flags, Size minSize )
 653 {
 654     CV_Assert( scaleFactor > 1 && image.depth() == CV_8U );
 655
 656     if( empty() )
 657         return;
 658
 659     if( !oldCascade.empty() )
 660     {
 661         MemStorage storage(cvCreateMemStorage(0));
 662         CvMat _image = image;
 663         CvSeq* _objects = cvHaarDetectObjects( &_image, oldCascade, storage, scaleFactor,
 664                                               minNeighbors, flags, minSize );
 665         vector<CvAvgComp> vecAvgComp;
 666         Seq<CvAvgComp>(_objects).copyTo(vecAvgComp);
 667         objects.resize(vecAvgComp.size());
 668         std::transform(vecAvgComp.begin(), vecAvgComp.end(), objects.begin(), getRect());
 669         return;
 670     }
 671
 672     objects.clear();
 673
 674     Mat img = image, imgbuf(image.rows+1, image.cols+1, CV_8U);
 675
 676     if( img.channels() > 1 )
 677     {
 678         Mat temp;
 679         cvtColor(img, temp, CV_BGR2GRAY);
 680         img = temp;
 681     }
 682
 683     for( double factor = 1; ; factor *= scaleFactor )
 684     {
 685
 686         Size winSize( cvRound(origWinSize.width*factor), cvRound(origWinSize.height*factor) );
 687         Size sz( cvRound( img.cols/factor ), cvRound( img.rows/factor ) );
 688         Size sz1( sz.width - origWinSize.width, sz.height - origWinSize.height );
 689
 690         if( sz1.width <= 0 || sz1.height <= 0 )
 691             break;
 692         if( winSize.width < minSize.width || winSize.height < minSize.height )
 693             continue;
 694
 695         Mat img1( sz, CV_8U, imgbuf.data );
 696
 697         resize( img, img1, sz, 0, 0, CV_INTER_LINEAR );
 698         if( !feval->setImage( img1, origWinSize ) )
 699             break;
 700         int yStep = factor > 2. ? 1 : 2;
 701
 702         for( int y = 0; y < sz1.height; y += yStep )
 703             for( int x = 0; x < sz1.width; x += yStep )
 704             {
 705                 int r = runAt(Point(x,y));
 706                 if( r > 0 )
 707                     objects.push_back(Rect(cvRound(x*factor), cvRound(y*factor),
 708                                            winSize.width, winSize.height));
 709                 else if( r == 0 )
 710                     x += yStep;
 711             }
 712     }
 713
 714     groupRectangles( objects, minNeighbors, 0.2 );
 715 }
 716
 717
 718 bool CascadeClassifier::read(const FileNode& root)
 719 {
 720     // load stage params
 721     String stageTypeStr = (String)root[CC_STAGE_TYPE];
 722     if( stageTypeStr == CC_BOOST )
 723         stageType = BOOST;
 724     else
 725         return false;
 726
 727     String featureTypeStr = (String)root[CC_FEATURE_TYPE];
 728     if( featureTypeStr == CC_HAAR )
 729         featureType = FeatureEvaluator::HAAR;
 730     else if( featureTypeStr == CC_LBP )
 731         featureType = FeatureEvaluator::LBP;
 732     else
 733         return false;
 734
 735     origWinSize.width = (int)root[CC_WIDTH];
 736     origWinSize.height = (int)root[CC_HEIGHT];
 737     CV_Assert( origWinSize.height > 0 && origWinSize.width > 0 );
 738
 739     // load feature params
 740     FileNode fn = root[CC_FEATURE_PARAMS];
 741     if( fn.empty() )
 742         return false;
 743
 744     ncategories = fn[CC_MAX_CAT_COUNT];
 745     int subsetSize = (ncategories + 31)/32,
 746         nodeStep = 3 + ( ncategories>0 ? subsetSize : 1 );
 747
 748     // load stages
 749     fn = root[CC_STAGES];
 750     if( fn.empty() )
 751         return false;
 752
 753     stages.reserve(fn.size());
 754     classifiers.clear();
 755     nodes.clear();
 756
 757     FileNodeIterator it = fn.begin(), it_end = fn.end();
 758
 759     for( int si = 0; it != it_end; si++, ++it )
 760     {
 761         FileNode fns = *it;
 762         Stage stage;
 763         stage.threshold = fns[CC_STAGE_THRESHOLD];
 764         fns = fns[CC_WEAK_CLASSIFIERS];
 765         if(fns.empty())
 766             return false;
 767         stage.ntrees = (int)fns.size();
 768         stage.first = (int)classifiers.size();
 769         stages.push_back(stage);
 770         classifiers.reserve(stages[si].first + stages[si].ntrees);
 771
 772         FileNodeIterator it1 = fns.begin(), it1_end = fns.end();
 773         for( ; it1 != it1_end; ++it1 ) // weak trees
 774         {
 775             FileNode fnw = *it1;
 776             FileNode internalNodes = fnw[CC_INTERNAL_NODES];
 777             FileNode leafValues = fnw[CC_LEAF_VALUES];
 778             if( internalNodes.empty() || leafValues.empty() )
 779                 return false;
 780             DTree tree;
 781             tree.nodeCount = (int)internalNodes.size()/nodeStep;
 782             classifiers.push_back(tree);
 783
 784             nodes.reserve(nodes.size() + tree.nodeCount);
 785             leaves.reserve(leaves.size() + leafValues.size());
 786             if( subsetSize > 0 )
 787                 subsets.reserve(subsets.size() + tree.nodeCount*subsetSize);
 788
 789             FileNodeIterator it2 = internalNodes.begin(), it2_end = internalNodes.end();
 790
 791             for( ; it2 != it2_end; ) // nodes
 792             {
 793                 DTreeNode node;
 794                 node.left = (int)*it2; ++it2;
 795                 node.right = (int)*it2; ++it2;
 796                 node.featureIdx = (int)*it2; ++it2;
 797                 if( subsetSize > 0 )
 798                 {
 799                     for( int j = 0; j < subsetSize; j++, ++it2 )
 800                         subsets.push_back((int)*it2);
 801                     node.threshold = 0.f;
 802                 }
 803                 else
 804                 {
 805                     node.threshold = (float)*it2; ++it2;
 806                 }
 807                 nodes.push_back(node);
 808             }
 809
 810             it2 = leafValues.begin(), it2_end = leafValues.end();
 811
 812             for( ; it2 != it2_end; ++it2 ) // leaves
 813                 leaves.push_back((float)*it2);
 814         }
 815     }
 816
 817     // load features
 818     feval = FeatureEvaluator::create(featureType);
 819     fn = root[CC_FEATURES];
 820     if( fn.empty() )
 821         return false;
 822
 823     return feval->read(fn);
 824 }
 825
 826 } // namespace cv
 827
 828 /* End of file. */