cv::dnn::KeypointsModel 类参考

此类表示关键点模型的高级 API。更多…

#include <opencv2/dnn/dnn.hpp>

cv::dnn::KeypointsModel 的协作图

公共成员函数
	KeypointsModel (const Net &network)
	从深度学习网络创建模型。
	KeypointsModel (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="")
	从以一种受支持的格式表示的网络创建关键点模型。model 和 config 参数的顺序无关紧要。
std::vector< Point2f >	estimate (InputArray frame, float thresh=0.5)
	给定input帧，创建输入blob，运行网络。
从 cv::dnn::Model 继承的公共成员函数
	Model ()
	Model (const Model &)=default
	Model (const Net &network)
	从深度学习网络创建模型。
	Model (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="")
	从以一种受支持的格式表示的深度学习网络创建模型。model 和 config 参数的顺序无关紧要。
	Model (Model &&)=default
Model &	enableWinograd (bool useWinograd)
Impl *	getImpl () const
Impl &	getImplRef () const
Net &	getNetwork_ ()
Net &	getNetwork_ () const
	operator Net & () const
Model &	operator= (const Model &)=default
Model &	operator= (Model &&)=default
void	predict (InputArray frame, OutputArrayOfArrays outs) const
	给定input帧，创建输入blob，运行网络并返回输出blobs。
Model &	setInputCrop (bool crop)
	设置帧的裁剪标志 crop。
Model &	setInputMean (const Scalar &mean)
	设置帧的均值。
void	setInputParams (double scale=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false)
	设置帧的预处理参数。
Model &	setInputScale (const Scalar &scale)
	设置帧的比例因子。
Model &	setInputSize (const Size &size)
	设置帧的输入大小。
Model &	setInputSize (int width, int height)
Model &	setInputSwapRB (bool swapRB)
	设置帧的 swapRB 标志。
Model &	setOutputNames (const std::vector< String > &outNames)
	设置帧的输出名称。
Model &	setPreferableBackend (dnn::Backend backendId)
Model &	setPreferableTarget (dnn::Target targetId)

其他继承成员
从 cv::dnn::Model 继承的受保护属性
Ptr< Impl >	impl

详细描述

此类表示关键点模型的高级 API。

KeypointsModel 允许设置预处理输入图像的参数。KeypointsModel 从包含已训练权重和配置的文件中创建网络，设置预处理输入，运行前向传递并返回每个检测到的关键点的 x 和 y 坐标。

构造函数和析构函数文档

KeypointsModel() [1/2]

cv::dnn::KeypointsModel::KeypointsModel	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	config = "" )

Python
	cv.dnn.KeypointsModel(	model[, config]	) ->	<dnn_KeypointsModel 对象>
	cv.dnn.KeypointsModel(	网络	) ->	<dnn_KeypointsModel 对象>

从以一种受支持的格式表示的网络创建关键点模型。model 和 config 参数的顺序无关紧要。

参数

[in]	model	包含已训练权重的二进制文件。
[in]	config	包含网络配置的文本文件。

KeypointsModel() [2/2]

cv::dnn::KeypointsModel::KeypointsModel

(

const Net &

网络

)

Python
	cv.dnn.KeypointsModel(	model[, config]	) ->	<dnn_KeypointsModel 对象>
	cv.dnn.KeypointsModel(	网络	) ->	<dnn_KeypointsModel 对象>

从深度学习网络创建模型。

参数

[in]

网络

Net 对象。

成员函数文档

estimate()

std::vector< Point2f > cv::dnn::KeypointsModel::estimate	(	InputArray	frame,
		float	thresh = 0.5 )

Python
	cv.dnn.KeypointsModel.estimate(	frame[, thresh]	) ->	retval

给定input帧，创建输入blob，运行网络。

参数

[in]	frame	输入图像。
	thresh	选择关键点的最小置信度阈值。

返回值

一个向量，包含每个检测到的关键点的 x 和 y 坐标。

---

此类的文档是从以下文件生成的：

• opencv2/dnn/dnn.hpp