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="")
	从以支持格式之一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 (模型) ()
	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="")
	从以支持格式之一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 crop 标志。
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 scalefactor 值。
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)

附加继承的成员
从 cv::dnn::Model 继承的保护属性
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 从带有训练权重的模型文件和配置文件创建网络，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 & 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 object>
	cv.dnn.KeypointsModel(	网络	) ->	<dnn_KeypointsModel object>

从以支持格式之一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

[输入]	model	二进制文件包含训练权重。
[输入]	config	文本文件包含网络配置。

KeypointsModel() [2/2]

cv::dnn::KeypointsModel::KeypointsModel

(

const Net &

网络

)

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

从深度学习网络创建模型。

参数

[输入]

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

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

返回

一个向量，保存每个检测到的关键点的 x 和 y 坐标

---

此类文档由以下文件生成

• opencv2/dnn/dnn.hpp