SJTU-RM-CV-2019

全图搜索模式:

在原图中寻找目标，并返回是否找到:
	一.寻找所有可能的灯条
		1.单通道,只用一个红或蓝通道
		2.两种不同的二值化阈值，应对不同亮度
		3.开闭运算：腐蚀一次，膨胀两次，再腐蚀一次，大小均为（3,5）
		4.轮廓提取
		5.只对没有子轮廓的轮廓进行判断:是否为有效灯条
			1)最小外接矩形的长宽比范围：(1.2,10)
			2)最小外界矩形的面积<50 且凸度（轮廓面积和其最小外接矩形面积之比）>0.4
			3)最小外界矩形的面积>=50 且凸度（轮廓面积和其最小外接矩形面积之比）>0.6
			条件的关系：1&&(2||3)
			Note: 面积小的凸度可能容易不稳定
		6.判断灯条颜色：
			1)拿最小外界矩形的boundingRect（不倾斜的），再适当调大大小
			2)与src取交集:region &= cv::Rect(0, 0, src.cols, src.rows);
			3)遍历该roi：
				red_cnt += roi.at<cv::Vec3b>(row, col)[2];
            	blue_cnt += roi.at<cv::Vec3b>(row, col)[0];
            4)red_cnt > blue_cnt 则为红，反之，则为蓝
         7.	遍历之前的两种阈值出来的二值图出来的灯条，判断是否为相同灯条：
        	1)两灯条中心距离的平方<9
       	 8.若为相同灯条，则哪个凸度低，把哪个给remove
	       	 (先遍历，把要erase的序号记下来，从大到小erase！)
       	 9.合并两种阈值出来的二值图出来的灯条
       	 10.若light_blobs.size() >= 2，才return true
	二.匹配灯条，得到装甲板
		1.判断两个灯条是否可以匹配
			1)颜色均为enemy_color
			2)两个灯条的长度比lengthRatioJudge  < 2.5    > 0.4
			3)判断两个灯条的间距 
				side_length = sqrt(centers.ddot(centers));
					(side_length / light_blob_i.length < 10 
					&& side_length / light_blob_i.length > 0.5);
			4)判断两个灯条的错位度 中心差.x和角度cos乘积+中心差.y和角度sin乘积
			5)判断装甲板方向 (angle_i + angle_j) / 2.0 
		(-120.0 < angle && angle < -60.0) || (60.0 < angle && angle < 120.0);
			6)判断两个灯条的角度差 abs(angle_i - angle_j) < 20;
     		7)判断两个灯条的高度差 <30
     	2.判断是否是有效装甲板
     		1)装甲板区域超过src，则continue
     		2)装甲板中心位置的y不可能太低 (max_y + min_y) / 2 < 120
     		3)if ((max_x - min_x) / (max_y - min_y) < 0.8) continue;
     		Note:它们获得的装甲板是一个正矩形
     	3.用卷积神经网络对装甲板进行分类
Leran：
	cv::countNonZero
	rect可以&
	point可加减
	使用了opencv的Tracker

待完善-----------------