modules/gpu/include/opencv2/gpu/gpu.hpp

   1 /*M///////////////////////////////////////////////////////////////////////////////////////\r
   2 //\r
   3 //  IMPORTANT: READ BEFORE DOWNLOADING, COPYING, INSTALLING OR USING.\r
   4 //\r
   5 //  By downloading, copying, installing or using the software you agree to this license.\r
   6 //  If you do not agree to this license, do not download, install,\r
   7 //  copy or use the software.\r
   8 //\r
   9 //\r
  10 //                           License Agreement\r
  11 //                For Open Source Computer Vision Library\r
  12 //\r
  13 // Copyright (C) 2000-2008, Intel Corporation, all rights reserved.\r
  14 // Copyright (C) 2009, Willow Garage Inc., all rights reserved.\r
  15 // Third party copyrights are property of their respective owners.\r
  16 //\r
  17 // Redistribution and use in source and binary forms, with or without modification,\r
  18 // are permitted provided that the following conditions are met:\r
  19 //\r
  20 //   * Redistribution's of source code must retain the above copyright notice,\r
  21 //     this list of conditions and the following disclaimer.\r
  22 //\r
  23 //   * Redistribution's in binary form must reproduce the above copyright notice,\r
  24 //     this list of conditions and the following disclaimer in the documentation\r
  25 //     and/or other GpuMaterials provided with the distribution.\r
  26 //\r
  27 //   * The name of the copyright holders may not be used to endorse or promote products\r
  28 //     derived from this software without specific prior written permission.\r
  29 //\r
  30 // This software is provided by the copyright holders and contributors "as is" and\r
  31 // any express or implied warranties, including, but not limited to, the implied\r
  32 // warranties of merchantability and fitness for a particular purpose are disclaimed.\r
  33 // In no event shall the Intel Corporation or contributors be liable for any direct,\r
  34 // indirect, incidental, special, exemplary, or consequential damages\r
  35 // (including, but not limited to, procurement of substitute goods or services;\r
  36 // loss of use, data, or profits; or business interruption) however caused\r
  37 // and on any theory of liability, whether in contract, strict liability,\r
  38 // or tort (including negligence or otherwise) arising in any way out of\r
  39 // the use of this software, even if advised of the possibility of such damage.\r
  40 //\r
  41 //M*/\r
  42 \r
  43 #ifndef __OPENCV_GPU_HPP__\r
  44 #define __OPENCV_GPU_HPP__\r
  45 \r
  46 #ifndef SKIP_INCLUDES\r
  47 #include <vector>\r
  48 #include <memory>\r
  49 #include <iosfwd>\r
  50 #endif\r
  51 \r
  52 #include "opencv2/core/gpumat.hpp"\r
  53 #include "opencv2/imgproc/imgproc.hpp"\r
  54 #include "opencv2/objdetect/objdetect.hpp"\r
  55 #include "opencv2/features2d/features2d.hpp"\r
  56 \r
  57 namespace cv { namespace gpu {\r
  58 \r
  59 //////////////////////////////// CudaMem ////////////////////////////////\r
  60 // CudaMem is limited cv::Mat with page locked memory allocation.\r
  61 // Page locked memory is only needed for async and faster coping to GPU.\r
  62 // It is convertable to cv::Mat header without reference counting\r
  63 // so you can use it with other opencv functions.\r
  64 \r
  65 // Page-locks the matrix m memory and maps it for the device(s)\r
  66 CV_EXPORTS void registerPageLocked(Mat& m);\r
  67 // Unmaps the memory of matrix m, and makes it pageable again.\r
  68 CV_EXPORTS void unregisterPageLocked(Mat& m);\r
  69 \r
  70 class CV_EXPORTS CudaMem\r
  71 {\r
  72 public:\r
  73     enum  { ALLOC_PAGE_LOCKED = 1, ALLOC_ZEROCOPY = 2, ALLOC_WRITE_COMBINED = 4 };\r
  74 \r
  75     CudaMem();\r
  76     CudaMem(const CudaMem& m);\r
  77 \r
  78     CudaMem(int rows, int cols, int type, int _alloc_type = ALLOC_PAGE_LOCKED);\r
  79     CudaMem(Size size, int type, int alloc_type = ALLOC_PAGE_LOCKED);\r
  80 \r
  81 \r
  82     //! creates from cv::Mat with coping data\r
  83     explicit CudaMem(const Mat& m, int alloc_type = ALLOC_PAGE_LOCKED);\r
  84 \r
  85     ~CudaMem();\r
  86 \r
  87     CudaMem& operator = (const CudaMem& m);\r
  88 \r
  89     //! returns deep copy of the matrix, i.e. the data is copied\r
  90     CudaMem clone() const;\r
  91 \r
  92     //! allocates new matrix data unless the matrix already has specified size and type.\r
  93     void create(int rows, int cols, int type, int alloc_type = ALLOC_PAGE_LOCKED);\r
  94     void create(Size size, int type, int alloc_type = ALLOC_PAGE_LOCKED);\r
  95 \r
  96     //! decrements reference counter and released memory if needed.\r
  97     void release();\r
  98 \r
  99     //! returns matrix header with disabled reference counting for CudaMem data.\r
 100     Mat createMatHeader() const;\r
 101     operator Mat() const;\r
 102 \r
 103     //! maps host memory into device address space and returns GpuMat header for it. Throws exception if not supported by hardware.\r
 104     GpuMat createGpuMatHeader() const;\r
 105     operator GpuMat() const;\r
 106 \r
 107     //returns if host memory can be mapperd to gpu address space;\r
 108     static bool canMapHostMemory();\r
 109 \r
 110     // Please see cv::Mat for descriptions\r
 111     bool isContinuous() const;\r
 112     size_t elemSize() const;\r
 113     size_t elemSize1() const;\r
 114     int type() const;\r
 115     int depth() const;\r
 116     int channels() const;\r
 117     size_t step1() const;\r
 118     Size size() const;\r
 119     bool empty() const;\r
 120 \r
 121 \r
 122     // Please see cv::Mat for descriptions\r
 123     int flags;\r
 124     int rows, cols;\r
 125     size_t step;\r
 126 \r
 127     uchar* data;\r
 128     int* refcount;\r
 129 \r
 130     uchar* datastart;\r
 131     uchar* dataend;\r
 132 \r
 133     int alloc_type;\r
 134 };\r
 135 \r
 136 //////////////////////////////// CudaStream ////////////////////////////////\r
 137 // Encapculates Cuda Stream. Provides interface for async coping.\r
 138 // Passed to each function that supports async kernel execution.\r
 139 // Reference counting is enabled\r
 140 \r
 141 class CV_EXPORTS Stream\r
 142 {\r
 143 public:\r
 144     Stream();\r
 145     ~Stream();\r
 146 \r
 147     Stream(const Stream&);\r
 148     Stream& operator=(const Stream&);\r
 149 \r
 150     bool queryIfComplete();\r
 151     void waitForCompletion();\r
 152 \r
 153     //! downloads asynchronously.\r
 154     // Warning! cv::Mat must point to page locked memory (i.e. to CudaMem data or to its subMat)\r
 155     void enqueueDownload(const GpuMat& src, CudaMem& dst);\r
 156     void enqueueDownload(const GpuMat& src, Mat& dst);\r
 157 \r
 158     //! uploads asynchronously.\r
 159     // Warning! cv::Mat must point to page locked memory (i.e. to CudaMem data or to its ROI)\r
 160     void enqueueUpload(const CudaMem& src, GpuMat& dst);\r
 161     void enqueueUpload(const Mat& src, GpuMat& dst);\r
 162 \r
 163     void enqueueCopy(const GpuMat& src, GpuMat& dst);\r
 164 \r
 165     void enqueueMemSet(GpuMat& src, Scalar val);\r
 166     void enqueueMemSet(GpuMat& src, Scalar val, const GpuMat& mask);\r
 167 \r
 168     // converts matrix type, ex from float to uchar depending on type\r
 169     void enqueueConvert(const GpuMat& src, GpuMat& dst, int type, double a = 1, double b = 0);\r
 170 \r
 171     static Stream& Null();\r
 172 \r
 173     operator bool() const;\r
 174 \r
 175 private:\r
 176     void create();\r
 177     void release();\r
 178 \r
 179     struct Impl;\r
 180     Impl *impl;\r
 181 \r
 182     friend struct StreamAccessor;\r
 183 \r
 184     explicit Stream(Impl* impl);\r
 185 };\r
 186 \r
 187 \r
 188 //////////////////////////////// Filter Engine ////////////////////////////////\r
 189 \r
 190 /*!\r
 191 The Base Class for 1D or Row-wise Filters\r
 192 \r
 193 This is the base class for linear or non-linear filters that process 1D data.\r
 194 In particular, such filters are used for the "horizontal" filtering parts in separable filters.\r
 195 */\r
 196 class CV_EXPORTS BaseRowFilter_GPU\r
 197 {\r
 198 public:\r
 199     BaseRowFilter_GPU(int ksize_, int anchor_) : ksize(ksize_), anchor(anchor_) {}\r
 200     virtual ~BaseRowFilter_GPU() {}\r
 201     virtual void operator()(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null()) = 0;\r
 202     int ksize, anchor;\r
 203 };\r
 204 \r
 205 /*!\r
 206 The Base Class for Column-wise Filters\r
 207 \r
 208 This is the base class for linear or non-linear filters that process columns of 2D arrays.\r
 209 Such filters are used for the "vertical" filtering parts in separable filters.\r
 210 */\r
 211 class CV_EXPORTS BaseColumnFilter_GPU\r
 212 {\r
 213 public:\r
 214     BaseColumnFilter_GPU(int ksize_, int anchor_) : ksize(ksize_), anchor(anchor_) {}\r
 215     virtual ~BaseColumnFilter_GPU() {}\r
 216     virtual void operator()(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null()) = 0;\r
 217     int ksize, anchor;\r
 218 };\r
 219 \r
 220 /*!\r
 221 The Base Class for Non-Separable 2D Filters.\r
 222 \r
 223 This is the base class for linear or non-linear 2D filters.\r
 224 */\r
 225 class CV_EXPORTS BaseFilter_GPU\r
 226 {\r
 227 public:\r
 228     BaseFilter_GPU(const Size& ksize_, const Point& anchor_) : ksize(ksize_), anchor(anchor_) {}\r
 229     virtual ~BaseFilter_GPU() {}\r
 230     virtual void operator()(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null()) = 0;\r
 231     Size ksize;\r
 232     Point anchor;\r
 233 };\r
 234 \r
 235 /*!\r
 236 The Base Class for Filter Engine.\r
 237 \r
 238 The class can be used to apply an arbitrary filtering operation to an image.\r
 239 It contains all the necessary intermediate buffers.\r
 240 */\r
 241 class CV_EXPORTS FilterEngine_GPU\r
 242 {\r
 243 public:\r
 244     virtual ~FilterEngine_GPU() {}\r
 245 \r
 246     virtual void apply(const GpuMat& src, GpuMat& dst, Rect roi = Rect(0,0,-1,-1), Stream& stream = Stream::Null()) = 0;\r
 247 };\r
 248 \r
 249 //! returns the non-separable filter engine with the specified filter\r
 250 CV_EXPORTS Ptr<FilterEngine_GPU> createFilter2D_GPU(const Ptr<BaseFilter_GPU>& filter2D, int srcType, int dstType);\r
 251 \r
 252 //! returns the separable filter engine with the specified filters\r
 253 CV_EXPORTS Ptr<FilterEngine_GPU> createSeparableFilter_GPU(const Ptr<BaseRowFilter_GPU>& rowFilter,\r
 254     const Ptr<BaseColumnFilter_GPU>& columnFilter, int srcType, int bufType, int dstType);\r
 255 CV_EXPORTS Ptr<FilterEngine_GPU> createSeparableFilter_GPU(const Ptr<BaseRowFilter_GPU>& rowFilter,\r
 256     const Ptr<BaseColumnFilter_GPU>& columnFilter, int srcType, int bufType, int dstType, GpuMat& buf);\r
 257 \r
 258 //! returns horizontal 1D box filter\r
 259 //! supports only CV_8UC1 source type and CV_32FC1 sum type\r
 260 CV_EXPORTS Ptr<BaseRowFilter_GPU> getRowSumFilter_GPU(int srcType, int sumType, int ksize, int anchor = -1);\r
 261 \r
 262 //! returns vertical 1D box filter\r
 263 //! supports only CV_8UC1 sum type and CV_32FC1 dst type\r
 264 CV_EXPORTS Ptr<BaseColumnFilter_GPU> getColumnSumFilter_GPU(int sumType, int dstType, int ksize, int anchor = -1);\r
 265 \r
 266 //! returns 2D box filter\r
 267 //! supports CV_8UC1 and CV_8UC4 source type, dst type must be the same as source type\r
 268 CV_EXPORTS Ptr<BaseFilter_GPU> getBoxFilter_GPU(int srcType, int dstType, const Size& ksize, Point anchor = Point(-1, -1));\r
 269 \r
 270 //! returns box filter engine\r
 271 CV_EXPORTS Ptr<FilterEngine_GPU> createBoxFilter_GPU(int srcType, int dstType, const Size& ksize,\r
 272     const Point& anchor = Point(-1,-1));\r
 273 \r
 274 //! returns 2D morphological filter\r
 275 //! only MORPH_ERODE and MORPH_DILATE are supported\r
 276 //! supports CV_8UC1 and CV_8UC4 types\r
 277 //! kernel must have CV_8UC1 type, one rows and cols == ksize.width * ksize.height\r
 278 CV_EXPORTS Ptr<BaseFilter_GPU> getMorphologyFilter_GPU(int op, int type, const Mat& kernel, const Size& ksize,\r
 279     Point anchor=Point(-1,-1));\r
 280 \r
 281 //! returns morphological filter engine. Only MORPH_ERODE and MORPH_DILATE are supported.\r
 282 CV_EXPORTS Ptr<FilterEngine_GPU> createMorphologyFilter_GPU(int op, int type, const Mat& kernel,\r
 283     const Point& anchor = Point(-1,-1), int iterations = 1);\r
 284 CV_EXPORTS Ptr<FilterEngine_GPU> createMorphologyFilter_GPU(int op, int type, const Mat& kernel, GpuMat& buf,\r
 285     const Point& anchor = Point(-1,-1), int iterations = 1);\r
 286 \r
 287 //! returns 2D filter with the specified kernel\r
 288 //! supports CV_8U, CV_16U and CV_32F one and four channel image\r
 289 CV_EXPORTS Ptr<BaseFilter_GPU> getLinearFilter_GPU(int srcType, int dstType, const Mat& kernel, Point anchor = Point(-1, -1), int borderType = BORDER_DEFAULT);\r
 290 \r
 291 //! returns the non-separable linear filter engine\r
 292 CV_EXPORTS Ptr<FilterEngine_GPU> createLinearFilter_GPU(int srcType, int dstType, const Mat& kernel,\r
 293     Point anchor = Point(-1,-1), int borderType = BORDER_DEFAULT);\r
 294 \r
 295 //! returns the primitive row filter with the specified kernel.\r
 296 //! supports only CV_8UC1, CV_8UC4, CV_16SC1, CV_16SC2, CV_32SC1, CV_32FC1 source type.\r
 297 //! there are two version of algorithm: NPP and OpenCV.\r
 298 //! NPP calls when srcType == CV_8UC1 or srcType == CV_8UC4 and bufType == srcType,\r
 299 //! otherwise calls OpenCV version.\r
 300 //! NPP supports only BORDER_CONSTANT border type.\r
 301 //! OpenCV version supports only CV_32F as buffer depth and\r
 302 //! BORDER_REFLECT101, BORDER_REPLICATE and BORDER_CONSTANT border types.\r
 303 CV_EXPORTS Ptr<BaseRowFilter_GPU> getLinearRowFilter_GPU(int srcType, int bufType, const Mat& rowKernel,\r
 304     int anchor = -1, int borderType = BORDER_DEFAULT);\r
 305 \r
 306 //! returns the primitive column filter with the specified kernel.\r
 307 //! supports only CV_8UC1, CV_8UC4, CV_16SC1, CV_16SC2, CV_32SC1, CV_32FC1 dst type.\r
 308 //! there are two version of algorithm: NPP and OpenCV.\r
 309 //! NPP calls when dstType == CV_8UC1 or dstType == CV_8UC4 and bufType == dstType,\r
 310 //! otherwise calls OpenCV version.\r
 311 //! NPP supports only BORDER_CONSTANT border type.\r
 312 //! OpenCV version supports only CV_32F as buffer depth and\r
 313 //! BORDER_REFLECT101, BORDER_REPLICATE and BORDER_CONSTANT border types.\r
 314 CV_EXPORTS Ptr<BaseColumnFilter_GPU> getLinearColumnFilter_GPU(int bufType, int dstType, const Mat& columnKernel,\r
 315     int anchor = -1, int borderType = BORDER_DEFAULT);\r
 316 \r
 317 //! returns the separable linear filter engine\r
 318 CV_EXPORTS Ptr<FilterEngine_GPU> createSeparableLinearFilter_GPU(int srcType, int dstType, const Mat& rowKernel,\r
 319     const Mat& columnKernel, const Point& anchor = Point(-1,-1), int rowBorderType = BORDER_DEFAULT,\r
 320     int columnBorderType = -1);\r
 321 CV_EXPORTS Ptr<FilterEngine_GPU> createSeparableLinearFilter_GPU(int srcType, int dstType, const Mat& rowKernel,\r
 322     const Mat& columnKernel, GpuMat& buf, const Point& anchor = Point(-1,-1), int rowBorderType = BORDER_DEFAULT,\r
 323     int columnBorderType = -1);\r
 324 \r
 325 //! returns filter engine for the generalized Sobel operator\r
 326 CV_EXPORTS Ptr<FilterEngine_GPU> createDerivFilter_GPU(int srcType, int dstType, int dx, int dy, int ksize,\r
 327                                                        int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 328 CV_EXPORTS Ptr<FilterEngine_GPU> createDerivFilter_GPU(int srcType, int dstType, int dx, int dy, int ksize, GpuMat& buf,\r
 329                                                        int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 330 \r
 331 //! returns the Gaussian filter engine\r
 332 CV_EXPORTS Ptr<FilterEngine_GPU> createGaussianFilter_GPU(int type, Size ksize, double sigma1, double sigma2 = 0,\r
 333                                                           int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 334 CV_EXPORTS Ptr<FilterEngine_GPU> createGaussianFilter_GPU(int type, Size ksize, GpuMat& buf, double sigma1, double sigma2 = 0,\r
 335                                                           int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 336 \r
 337 //! returns maximum filter\r
 338 CV_EXPORTS Ptr<BaseFilter_GPU> getMaxFilter_GPU(int srcType, int dstType, const Size& ksize, Point anchor = Point(-1,-1));\r
 339 \r
 340 //! returns minimum filter\r
 341 CV_EXPORTS Ptr<BaseFilter_GPU> getMinFilter_GPU(int srcType, int dstType, const Size& ksize, Point anchor = Point(-1,-1));\r
 342 \r
 343 //! smooths the image using the normalized box filter\r
 344 //! supports CV_8UC1, CV_8UC4 types\r
 345 CV_EXPORTS void boxFilter(const GpuMat& src, GpuMat& dst, int ddepth, Size ksize, Point anchor = Point(-1,-1), Stream& stream = Stream::Null());\r
 346 \r
 347 //! a synonym for normalized box filter\r
 348 static inline void blur(const GpuMat& src, GpuMat& dst, Size ksize, Point anchor = Point(-1,-1), Stream& stream = Stream::Null())\r
 349 {\r
 350     boxFilter(src, dst, -1, ksize, anchor, stream);\r
 351 }\r
 352 \r
 353 //! erodes the image (applies the local minimum operator)\r
 354 CV_EXPORTS void erode(const GpuMat& src, GpuMat& dst, const Mat& kernel, Point anchor = Point(-1, -1), int iterations = 1);\r
 355 CV_EXPORTS void erode(const GpuMat& src, GpuMat& dst, const Mat& kernel, GpuMat& buf,\r
 356                       Point anchor = Point(-1, -1), int iterations = 1,\r
 357                       Stream& stream = Stream::Null());\r
 358 \r
 359 //! dilates the image (applies the local maximum operator)\r
 360 CV_EXPORTS void dilate(const GpuMat& src, GpuMat& dst, const Mat& kernel, Point anchor = Point(-1, -1), int iterations = 1);\r
 361 CV_EXPORTS void dilate(const GpuMat& src, GpuMat& dst, const Mat& kernel, GpuMat& buf,\r
 362                        Point anchor = Point(-1, -1), int iterations = 1,\r
 363                        Stream& stream = Stream::Null());\r
 364 \r
 365 //! applies an advanced morphological operation to the image\r
 366 CV_EXPORTS void morphologyEx(const GpuMat& src, GpuMat& dst, int op, const Mat& kernel, Point anchor = Point(-1, -1), int iterations = 1);\r
 367 CV_EXPORTS void morphologyEx(const GpuMat& src, GpuMat& dst, int op, const Mat& kernel, GpuMat& buf1, GpuMat& buf2,\r
 368                              Point anchor = Point(-1, -1), int iterations = 1, Stream& stream = Stream::Null());\r
 369 \r
 370 //! applies non-separable 2D linear filter to the image\r
 371 CV_EXPORTS void filter2D(const GpuMat& src, GpuMat& dst, int ddepth, const Mat& kernel, Point anchor=Point(-1,-1), int borderType = BORDER_DEFAULT, Stream& stream = Stream::Null());\r
 372 \r
 373 //! applies separable 2D linear filter to the image\r
 374 CV_EXPORTS void sepFilter2D(const GpuMat& src, GpuMat& dst, int ddepth, const Mat& kernelX, const Mat& kernelY,\r
 375                             Point anchor = Point(-1,-1), int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 376 CV_EXPORTS void sepFilter2D(const GpuMat& src, GpuMat& dst, int ddepth, const Mat& kernelX, const Mat& kernelY, GpuMat& buf,\r
 377                             Point anchor = Point(-1,-1), int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1,\r
 378                             Stream& stream = Stream::Null());\r
 379 \r
 380 //! applies generalized Sobel operator to the image\r
 381 CV_EXPORTS void Sobel(const GpuMat& src, GpuMat& dst, int ddepth, int dx, int dy, int ksize = 3, double scale = 1,\r
 382                       int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 383 CV_EXPORTS void Sobel(const GpuMat& src, GpuMat& dst, int ddepth, int dx, int dy, GpuMat& buf, int ksize = 3, double scale = 1,\r
 384                       int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1, Stream& stream = Stream::Null());\r
 385 \r
 386 //! applies the vertical or horizontal Scharr operator to the image\r
 387 CV_EXPORTS void Scharr(const GpuMat& src, GpuMat& dst, int ddepth, int dx, int dy, double scale = 1,\r
 388                        int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 389 CV_EXPORTS void Scharr(const GpuMat& src, GpuMat& dst, int ddepth, int dx, int dy, GpuMat& buf, double scale = 1,\r
 390                        int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1, Stream& stream = Stream::Null());\r
 391 \r
 392 //! smooths the image using Gaussian filter.\r
 393 CV_EXPORTS void GaussianBlur(const GpuMat& src, GpuMat& dst, Size ksize, double sigma1, double sigma2 = 0,\r
 394                              int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1);\r
 395 CV_EXPORTS void GaussianBlur(const GpuMat& src, GpuMat& dst, Size ksize, GpuMat& buf, double sigma1, double sigma2 = 0,\r
 396                              int rowBorderType = BORDER_DEFAULT, int columnBorderType = -1, Stream& stream = Stream::Null());\r
 397 \r
 398 //! applies Laplacian operator to the image\r
 399 //! supports only ksize = 1 and ksize = 3\r
 400 CV_EXPORTS void Laplacian(const GpuMat& src, GpuMat& dst, int ddepth, int ksize = 1, double scale = 1, int borderType = BORDER_DEFAULT, Stream& stream = Stream::Null());\r
 401 \r
 402 \r
 403 ////////////////////////////// Arithmetics ///////////////////////////////////\r
 404 \r
 405 //! implements generalized matrix product algorithm GEMM from BLAS\r
 406 CV_EXPORTS void gemm(const GpuMat& src1, const GpuMat& src2, double alpha,\r
 407     const GpuMat& src3, double beta, GpuMat& dst, int flags = 0, Stream& stream = Stream::Null());\r
 408 \r
 409 //! transposes the matrix\r
 410 //! supports matrix with element size = 1, 4 and 8 bytes (CV_8UC1, CV_8UC4, CV_16UC2, CV_32FC1, etc)\r
 411 CV_EXPORTS void transpose(const GpuMat& src1, GpuMat& dst, Stream& stream = Stream::Null());\r
 412 \r
 413 //! reverses the order of the rows, columns or both in a matrix\r
 414 //! supports 1, 3 and 4 channels images with CV_8U, CV_16U, CV_32S or CV_32F depth\r
 415 CV_EXPORTS void flip(const GpuMat& a, GpuMat& b, int flipCode, Stream& stream = Stream::Null());\r
 416 \r
 417 //! transforms 8-bit unsigned integers using lookup table: dst(i)=lut(src(i))\r
 418 //! destination array will have the depth type as lut and the same channels number as source\r
 419 //! supports CV_8UC1, CV_8UC3 types\r
 420 CV_EXPORTS void LUT(const GpuMat& src, const Mat& lut, GpuMat& dst, Stream& stream = Stream::Null());\r
 421 \r
 422 //! makes multi-channel array out of several single-channel arrays\r
 423 CV_EXPORTS void merge(const GpuMat* src, size_t n, GpuMat& dst, Stream& stream = Stream::Null());\r
 424 \r
 425 //! makes multi-channel array out of several single-channel arrays\r
 426 CV_EXPORTS void merge(const vector<GpuMat>& src, GpuMat& dst, Stream& stream = Stream::Null());\r
 427 \r
 428 //! copies each plane of a multi-channel array to a dedicated array\r
 429 CV_EXPORTS void split(const GpuMat& src, GpuMat* dst, Stream& stream = Stream::Null());\r
 430 \r
 431 //! copies each plane of a multi-channel array to a dedicated array\r
 432 CV_EXPORTS void split(const GpuMat& src, vector<GpuMat>& dst, Stream& stream = Stream::Null());\r
 433 \r
 434 //! computes magnitude of complex (x(i).re, x(i).im) vector\r
 435 //! supports only CV_32FC2 type\r
 436 CV_EXPORTS void magnitude(const GpuMat& xy, GpuMat& magnitude, Stream& stream = Stream::Null());\r
 437 \r
 438 //! computes squared magnitude of complex (x(i).re, x(i).im) vector\r
 439 //! supports only CV_32FC2 type\r
 440 CV_EXPORTS void magnitudeSqr(const GpuMat& xy, GpuMat& magnitude, Stream& stream = Stream::Null());\r
 441 \r
 442 //! computes magnitude of each (x(i), y(i)) vector\r
 443 //! supports only floating-point source\r
 444 CV_EXPORTS void magnitude(const GpuMat& x, const GpuMat& y, GpuMat& magnitude, Stream& stream = Stream::Null());\r
 445 \r
 446 //! computes squared magnitude of each (x(i), y(i)) vector\r
 447 //! supports only floating-point source\r
 448 CV_EXPORTS void magnitudeSqr(const GpuMat& x, const GpuMat& y, GpuMat& magnitude, Stream& stream = Stream::Null());\r
 449 \r
 450 //! computes angle (angle(i)) of each (x(i), y(i)) vector\r
 451 //! supports only floating-point source\r
 452 CV_EXPORTS void phase(const GpuMat& x, const GpuMat& y, GpuMat& angle, bool angleInDegrees = false, Stream& stream = Stream::Null());\r
 453 \r
 454 //! converts Cartesian coordinates to polar\r
 455 //! supports only floating-point source\r
 456 CV_EXPORTS void cartToPolar(const GpuMat& x, const GpuMat& y, GpuMat& magnitude, GpuMat& angle, bool angleInDegrees = false, Stream& stream = Stream::Null());\r
 457 \r
 458 //! converts polar coordinates to Cartesian\r
 459 //! supports only floating-point source\r
 460 CV_EXPORTS void polarToCart(const GpuMat& magnitude, const GpuMat& angle, GpuMat& x, GpuMat& y, bool angleInDegrees = false, Stream& stream = Stream::Null());\r
 461 \r
 462 \r
 463 //////////////////////////// Per-element operations ////////////////////////////////////\r
 464 \r
 465 //! adds one matrix to another (c = a + b)\r
 466 CV_EXPORTS void add(const GpuMat& a, const GpuMat& b, GpuMat& c, const GpuMat& mask = GpuMat(), int dtype = -1, Stream& stream = Stream::Null());\r
 467 //! adds scalar to a matrix (c = a + s)\r
 468 CV_EXPORTS void add(const GpuMat& a, const Scalar& sc, GpuMat& c, const GpuMat& mask = GpuMat(), int dtype = -1, Stream& stream = Stream::Null());\r
 469 \r
 470 //! subtracts one matrix from another (c = a - b)\r
 471 CV_EXPORTS void subtract(const GpuMat& a, const GpuMat& b, GpuMat& c, const GpuMat& mask = GpuMat(), int dtype = -1, Stream& stream = Stream::Null());\r
 472 //! subtracts scalar from a matrix (c = a - s)\r
 473 CV_EXPORTS void subtract(const GpuMat& a, const Scalar& sc, GpuMat& c, const GpuMat& mask = GpuMat(), int dtype = -1, Stream& stream = Stream::Null());\r
 474 \r
 475 //! computes element-wise weighted product of the two arrays (c = scale * a * b)\r
 476 CV_EXPORTS void multiply(const GpuMat& a, const GpuMat& b, GpuMat& c, double scale = 1, int dtype = -1, Stream& stream = Stream::Null());\r
 477 //! weighted multiplies matrix to a scalar (c = scale * a * s)\r
 478 CV_EXPORTS void multiply(const GpuMat& a, const Scalar& sc, GpuMat& c, double scale = 1, int dtype = -1, Stream& stream = Stream::Null());\r
 479 \r
 480 //! computes element-wise weighted quotient of the two arrays (c = a / b)\r
 481 CV_EXPORTS void divide(const GpuMat& a, const GpuMat& b, GpuMat& c, double scale = 1, int dtype = -1, Stream& stream = Stream::Null());\r
 482 //! computes element-wise weighted quotient of matrix and scalar (c = a / s)\r
 483 CV_EXPORTS void divide(const GpuMat& a, const Scalar& sc, GpuMat& c, double scale = 1, int dtype = -1, Stream& stream = Stream::Null());\r
 484 //! computes element-wise weighted reciprocal of an array (dst = scale/src2)\r
 485 CV_EXPORTS void divide(double scale, const GpuMat& b, GpuMat& c, int dtype = -1, Stream& stream = Stream::Null());\r
 486 \r
 487 //! computes the weighted sum of two arrays (dst = alpha*src1 + beta*src2 + gamma)\r
 488 CV_EXPORTS void addWeighted(const GpuMat& src1, double alpha, const GpuMat& src2, double beta, double gamma, GpuMat& dst,\r
 489                             int dtype = -1, Stream& stream = Stream::Null());\r
 490 \r
 491 //! adds scaled array to another one (dst = alpha*src1 + src2)\r
 492 static inline void scaleAdd(const GpuMat& src1, double alpha, const GpuMat& src2, GpuMat& dst, Stream& stream = Stream::Null())\r
 493 {\r
 494     addWeighted(src1, alpha, src2, 1.0, 0.0, dst, -1, stream);\r
 495 }\r
 496 \r
 497 //! computes element-wise absolute difference of two arrays (c = abs(a - b))\r
 498 CV_EXPORTS void absdiff(const GpuMat& a, const GpuMat& b, GpuMat& c, Stream& stream = Stream::Null());\r
 499 //! computes element-wise absolute difference of array and scalar (c = abs(a - s))\r
 500 CV_EXPORTS void absdiff(const GpuMat& a, const Scalar& s, GpuMat& c, Stream& stream = Stream::Null());\r
 501 \r
 502 //! computes absolute value of each matrix element\r
 503 //! supports CV_16S and CV_32F depth\r
 504 CV_EXPORTS void abs(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null());\r
 505 \r
 506 //! computes square of each pixel in an image\r
 507 //! supports CV_8U, CV_16U, CV_16S and CV_32F depth\r
 508 CV_EXPORTS void sqr(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null());\r
 509 \r
 510 //! computes square root of each pixel in an image\r
 511 //! supports CV_8U, CV_16U, CV_16S and CV_32F depth\r
 512 CV_EXPORTS void sqrt(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null());\r
 513 \r
 514 //! computes exponent of each matrix element (b = e**a)\r
 515 //! supports CV_8U, CV_16U, CV_16S and CV_32F depth\r
 516 CV_EXPORTS void exp(const GpuMat& a, GpuMat& b, Stream& stream = Stream::Null());\r
 517 \r
 518 //! computes natural logarithm of absolute value of each matrix element: b = log(abs(a))\r
 519 //! supports CV_8U, CV_16U, CV_16S and CV_32F depth\r
 520 CV_EXPORTS void log(const GpuMat& a, GpuMat& b, Stream& stream = Stream::Null());\r
 521 \r
 522 //! computes power of each matrix element:\r
 523 //    (dst(i,j) = pow(     src(i,j) , power), if src.type() is integer\r
 524 //    (dst(i,j) = pow(fabs(src(i,j)), power), otherwise\r
 525 //! supports all, except depth == CV_64F\r
 526 CV_EXPORTS void pow(const GpuMat& src, double power, GpuMat& dst, Stream& stream = Stream::Null());\r
 527 \r
 528 //! compares elements of two arrays (c = a <cmpop> b)\r
 529 CV_EXPORTS void compare(const GpuMat& a, const GpuMat& b, GpuMat& c, int cmpop, Stream& stream = Stream::Null());\r
 530 CV_EXPORTS void compare(const GpuMat& a, Scalar sc, GpuMat& c, int cmpop, Stream& stream = Stream::Null());\r
 531 \r
 532 //! performs per-elements bit-wise inversion\r
 533 CV_EXPORTS void bitwise_not(const GpuMat& src, GpuMat& dst, const GpuMat& mask=GpuMat(), Stream& stream = Stream::Null());\r
 534 \r
 535 //! calculates per-element bit-wise disjunction of two arrays\r
 536 CV_EXPORTS void bitwise_or(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, const GpuMat& mask=GpuMat(), Stream& stream = Stream::Null());\r
 537 //! calculates per-element bit-wise disjunction of array and scalar\r
 538 //! supports 1, 3 and 4 channels images with CV_8U, CV_16U or CV_32S depth\r
 539 CV_EXPORTS void bitwise_or(const GpuMat& src1, const Scalar& sc, GpuMat& dst, Stream& stream = Stream::Null());\r
 540 \r
 541 //! calculates per-element bit-wise conjunction of two arrays\r
 542 CV_EXPORTS void bitwise_and(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, const GpuMat& mask=GpuMat(), Stream& stream = Stream::Null());\r
 543 //! calculates per-element bit-wise conjunction of array and scalar\r
 544 //! supports 1, 3 and 4 channels images with CV_8U, CV_16U or CV_32S depth\r
 545 CV_EXPORTS void bitwise_and(const GpuMat& src1, const Scalar& sc, GpuMat& dst, Stream& stream = Stream::Null());\r
 546 \r
 547 //! calculates per-element bit-wise "exclusive or" operation\r
 548 CV_EXPORTS void bitwise_xor(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, const GpuMat& mask=GpuMat(), Stream& stream = Stream::Null());\r
 549 //! calculates per-element bit-wise "exclusive or" of array and scalar\r
 550 //! supports 1, 3 and 4 channels images with CV_8U, CV_16U or CV_32S depth\r
 551 CV_EXPORTS void bitwise_xor(const GpuMat& src1, const Scalar& sc, GpuMat& dst, Stream& stream = Stream::Null());\r
 552 \r
 553 //! pixel by pixel right shift of an image by a constant value\r
 554 //! supports 1, 3 and 4 channels images with integers elements\r
 555 CV_EXPORTS void rshift(const GpuMat& src, Scalar_<int> sc, GpuMat& dst, Stream& stream = Stream::Null());\r
 556 \r
 557 //! pixel by pixel left shift of an image by a constant value\r
 558 //! supports 1, 3 and 4 channels images with CV_8U, CV_16U or CV_32S depth\r
 559 CV_EXPORTS void lshift(const GpuMat& src, Scalar_<int> sc, GpuMat& dst, Stream& stream = Stream::Null());\r
 560 \r
 561 //! computes per-element minimum of two arrays (dst = min(src1, src2))\r
 562 CV_EXPORTS void min(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, Stream& stream = Stream::Null());\r
 563 \r
 564 //! computes per-element minimum of array and scalar (dst = min(src1, src2))\r
 565 CV_EXPORTS void min(const GpuMat& src1, double src2, GpuMat& dst, Stream& stream = Stream::Null());\r
 566 \r
 567 //! computes per-element maximum of two arrays (dst = max(src1, src2))\r
 568 CV_EXPORTS void max(const GpuMat& src1, const GpuMat& src2, GpuMat& dst, Stream& stream = Stream::Null());\r
 569 \r
 570 //! computes per-element maximum of array and scalar (dst = max(src1, src2))\r
 571 CV_EXPORTS void max(const GpuMat& src1, double src2, GpuMat& dst, Stream& stream = Stream::Null());\r
 572 \r
 573 enum { ALPHA_OVER, ALPHA_IN, ALPHA_OUT, ALPHA_ATOP, ALPHA_XOR, ALPHA_PLUS, ALPHA_OVER_PREMUL, ALPHA_IN_PREMUL, ALPHA_OUT_PREMUL,\r
 574        ALPHA_ATOP_PREMUL, ALPHA_XOR_PREMUL, ALPHA_PLUS_PREMUL, ALPHA_PREMUL};\r
 575 \r
 576 //! Composite two images using alpha opacity values contained in each image\r
 577 //! Supports CV_8UC4, CV_16UC4, CV_32SC4 and CV_32FC4 types\r
 578 CV_EXPORTS void alphaComp(const GpuMat& img1, const GpuMat& img2, GpuMat& dst, int alpha_op, Stream& stream = Stream::Null());\r
 579 \r
 580 \r
 581 ////////////////////////////// Image processing //////////////////////////////\r
 582 \r
 583 //! DST[x,y] = SRC[xmap[x,y],ymap[x,y]]\r
 584 //! supports only CV_32FC1 map type\r
 585 CV_EXPORTS void remap(const GpuMat& src, GpuMat& dst, const GpuMat& xmap, const GpuMat& ymap,\r
 586                       int interpolation, int borderMode = BORDER_CONSTANT, Scalar borderValue = Scalar(),\r
 587                       Stream& stream = Stream::Null());\r
 588 \r
 589 //! Does mean shift filtering on GPU.\r
 590 CV_EXPORTS void meanShiftFiltering(const GpuMat& src, GpuMat& dst, int sp, int sr,\r
 591                                    TermCriteria criteria = TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 5, 1),\r
 592                                    Stream& stream = Stream::Null());\r
 593 \r
 594 //! Does mean shift procedure on GPU.\r
 595 CV_EXPORTS void meanShiftProc(const GpuMat& src, GpuMat& dstr, GpuMat& dstsp, int sp, int sr,\r
 596                               TermCriteria criteria = TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 5, 1),\r
 597                               Stream& stream = Stream::Null());\r
 598 \r
 599 //! Does mean shift segmentation with elimination of small regions.\r
 600 CV_EXPORTS void meanShiftSegmentation(const GpuMat& src, Mat& dst, int sp, int sr, int minsize,\r
 601                                       TermCriteria criteria = TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 5, 1));\r
 602 \r
 603 //! Does coloring of disparity image: [0..ndisp) -> [0..240, 1, 1] in HSV.\r
 604 //! Supported types of input disparity: CV_8U, CV_16S.\r
 605 //! Output disparity has CV_8UC4 type in BGRA format (alpha = 255).\r
 606 CV_EXPORTS void drawColorDisp(const GpuMat& src_disp, GpuMat& dst_disp, int ndisp, Stream& stream = Stream::Null());\r
 607 \r
 608 //! Reprojects disparity image to 3D space.\r
 609 //! Supports CV_8U and CV_16S types of input disparity.\r
 610 //! The output is a 3- or 4-channel floating-point matrix.\r
 611 //! Each element of this matrix will contain the 3D coordinates of the point (x,y,z,1), computed from the disparity map.\r
 612 //! Q is the 4x4 perspective transformation matrix that can be obtained with cvStereoRectify.\r
 613 CV_EXPORTS void reprojectImageTo3D(const GpuMat& disp, GpuMat& xyzw, const Mat& Q, int dst_cn = 4, Stream& stream = Stream::Null());\r
 614 \r
 615 //! converts image from one color space to another\r
 616 CV_EXPORTS void cvtColor(const GpuMat& src, GpuMat& dst, int code, int dcn = 0, Stream& stream = Stream::Null());\r
 617 \r
 618 //! swap channels\r
 619 //! dstOrder - Integer array describing how channel values are permutated. The n-th entry\r
 620 //!            of the array contains the number of the channel that is stored in the n-th channel of\r
 621 //!            the output image. E.g. Given an RGBA image, aDstOrder = [3,2,1,0] converts this to ABGR\r
 622 //!            channel order.\r
 623 CV_EXPORTS void swapChannels(GpuMat& image, const int dstOrder[4], Stream& stream = Stream::Null());\r
 624 \r
 625 //! Routines for correcting image color gamma\r
 626 CV_EXPORTS void gammaCorrection(const GpuMat& src, GpuMat& dst, bool forward = true, Stream& stream = Stream::Null());\r
 627 \r
 628 //! applies fixed threshold to the image\r
 629 CV_EXPORTS double threshold(const GpuMat& src, GpuMat& dst, double thresh, double maxval, int type, Stream& stream = Stream::Null());\r
 630 \r
 631 //! resizes the image\r
 632 //! Supports INTER_NEAREST, INTER_LINEAR, INTER_CUBIC, INTER_AREA\r
 633 CV_EXPORTS void resize(const GpuMat& src, GpuMat& dst, Size dsize, double fx=0, double fy=0, int interpolation = INTER_LINEAR, Stream& stream = Stream::Null());\r
 634 \r
 635 //! warps the image using affine transformation\r
 636 //! Supports INTER_NEAREST, INTER_LINEAR, INTER_CUBIC\r
 637 CV_EXPORTS void warpAffine(const GpuMat& src, GpuMat& dst, const Mat& M, Size dsize, int flags = INTER_LINEAR,\r
 638     int borderMode = BORDER_CONSTANT, Scalar borderValue = Scalar(), Stream& stream = Stream::Null());\r
 639 \r
 640 CV_EXPORTS void buildWarpAffineMaps(const Mat& M, bool inverse, Size dsize, GpuMat& xmap, GpuMat& ymap, Stream& stream = Stream::Null());\r
 641 \r
 642 //! warps the image using perspective transformation\r
 643 //! Supports INTER_NEAREST, INTER_LINEAR, INTER_CUBIC\r
 644 CV_EXPORTS void warpPerspective(const GpuMat& src, GpuMat& dst, const Mat& M, Size dsize, int flags = INTER_LINEAR,\r
 645     int borderMode = BORDER_CONSTANT, Scalar borderValue = Scalar(), Stream& stream = Stream::Null());\r
 646 \r
 647 CV_EXPORTS void buildWarpPerspectiveMaps(const Mat& M, bool inverse, Size dsize, GpuMat& xmap, GpuMat& ymap, Stream& stream = Stream::Null());\r
 648 \r
 649 //! builds plane warping maps\r
 650 CV_EXPORTS void buildWarpPlaneMaps(Size src_size, Rect dst_roi, const Mat &K, const Mat& R, const Mat &T, float scale,\r
 651                                    GpuMat& map_x, GpuMat& map_y, Stream& stream = Stream::Null());\r
 652 \r
 653 //! builds cylindrical warping maps\r
 654 CV_EXPORTS void buildWarpCylindricalMaps(Size src_size, Rect dst_roi, const Mat &K, const Mat& R, float scale,\r
 655                                          GpuMat& map_x, GpuMat& map_y, Stream& stream = Stream::Null());\r
 656 \r
 657 //! builds spherical warping maps\r
 658 CV_EXPORTS void buildWarpSphericalMaps(Size src_size, Rect dst_roi, const Mat &K, const Mat& R, float scale,\r
 659                                        GpuMat& map_x, GpuMat& map_y, Stream& stream = Stream::Null());\r
 660 \r
 661 //! rotates an image around the origin (0,0) and then shifts it\r
 662 //! supports INTER_NEAREST, INTER_LINEAR, INTER_CUBIC\r
 663 //! supports 1, 3 or 4 channels images with CV_8U, CV_16U or CV_32F depth\r
 664 CV_EXPORTS void rotate(const GpuMat& src, GpuMat& dst, Size dsize, double angle, double xShift = 0, double yShift = 0,\r
 665                        int interpolation = INTER_LINEAR, Stream& stream = Stream::Null());\r
 666 \r
 667 //! copies 2D array to a larger destination array and pads borders with user-specifiable constant\r
 668 CV_EXPORTS void copyMakeBorder(const GpuMat& src, GpuMat& dst, int top, int bottom, int left, int right, int borderType,\r
 669                                const Scalar& value = Scalar(), Stream& stream = Stream::Null());\r
 670 \r
 671 //! computes the integral image\r
 672 //! sum will have CV_32S type, but will contain unsigned int values\r
 673 //! supports only CV_8UC1 source type\r
 674 CV_EXPORTS void integral(const GpuMat& src, GpuMat& sum, Stream& stream = Stream::Null());\r
 675 //! buffered version\r
 676 CV_EXPORTS void integralBuffered(const GpuMat& src, GpuMat& sum, GpuMat& buffer, Stream& stream = Stream::Null());\r
 677 \r
 678 //! computes squared integral image\r
 679 //! result matrix will have 64F type, but will contain 64U values\r
 680 //! supports source images of 8UC1 type only\r
 681 CV_EXPORTS void sqrIntegral(const GpuMat& src, GpuMat& sqsum, Stream& stream = Stream::Null());\r
 682 \r
 683 //! computes vertical sum, supports only CV_32FC1 images\r
 684 CV_EXPORTS void columnSum(const GpuMat& src, GpuMat& sum);\r
 685 \r
 686 //! computes the standard deviation of integral images\r
 687 //! supports only CV_32SC1 source type and CV_32FC1 sqr type\r
 688 //! output will have CV_32FC1 type\r
 689 CV_EXPORTS void rectStdDev(const GpuMat& src, const GpuMat& sqr, GpuMat& dst, const Rect& rect, Stream& stream = Stream::Null());\r
 690 \r
 691 //! computes Harris cornerness criteria at each image pixel\r
 692 CV_EXPORTS void cornerHarris(const GpuMat& src, GpuMat& dst, int blockSize, int ksize, double k, int borderType = BORDER_REFLECT101);\r
 693 CV_EXPORTS void cornerHarris(const GpuMat& src, GpuMat& dst, GpuMat& Dx, GpuMat& Dy, int blockSize, int ksize, double k, int borderType = BORDER_REFLECT101);\r
 694 CV_EXPORTS void cornerHarris(const GpuMat& src, GpuMat& dst, GpuMat& Dx, GpuMat& Dy, GpuMat& buf, int blockSize, int ksize, double k,\r
 695                              int borderType = BORDER_REFLECT101, Stream& stream = Stream::Null());\r
 696 \r
 697 //! computes minimum eigen value of 2x2 derivative covariation matrix at each pixel - the cornerness criteria\r
 698 CV_EXPORTS void cornerMinEigenVal(const GpuMat& src, GpuMat& dst, int blockSize, int ksize, int borderType=BORDER_REFLECT101);\r
 699 CV_EXPORTS void cornerMinEigenVal(const GpuMat& src, GpuMat& dst, GpuMat& Dx, GpuMat& Dy, int blockSize, int ksize, int borderType=BORDER_REFLECT101);\r
 700 CV_EXPORTS void cornerMinEigenVal(const GpuMat& src, GpuMat& dst, GpuMat& Dx, GpuMat& Dy, GpuMat& buf, int blockSize, int ksize,\r
 701     int borderType=BORDER_REFLECT101, Stream& stream = Stream::Null());\r
 702 \r
 703 //! performs per-element multiplication of two full (not packed) Fourier spectrums\r
 704 //! supports 32FC2 matrixes only (interleaved format)\r
 705 CV_EXPORTS void mulSpectrums(const GpuMat& a, const GpuMat& b, GpuMat& c, int flags, bool conjB=false, Stream& stream = Stream::Null());\r
 706 \r
 707 //! performs per-element multiplication of two full (not packed) Fourier spectrums\r
 708 //! supports 32FC2 matrixes only (interleaved format)\r
 709 CV_EXPORTS void mulAndScaleSpectrums(const GpuMat& a, const GpuMat& b, GpuMat& c, int flags, float scale, bool conjB=false, Stream& stream = Stream::Null());\r
 710 \r
 711 //! Performs a forward or inverse discrete Fourier transform (1D or 2D) of floating point matrix.\r
 712 //! Param dft_size is the size of DFT transform.\r
 713 //!\r
 714 //! If the source matrix is not continous, then additional copy will be done,\r
 715 //! so to avoid copying ensure the source matrix is continous one. If you want to use\r
 716 //! preallocated output ensure it is continuous too, otherwise it will be reallocated.\r
 717 //!\r
 718 //! Being implemented via CUFFT real-to-complex transform result contains only non-redundant values\r
 719 //! in CUFFT's format. Result as full complex matrix for such kind of transform cannot be retrieved.\r
 720 //!\r
 721 //! For complex-to-real transform it is assumed that the source matrix is packed in CUFFT's format.\r
 722 CV_EXPORTS void dft(const GpuMat& src, GpuMat& dst, Size dft_size, int flags=0, Stream& stream = Stream::Null());\r
 723 \r
 724 struct CV_EXPORTS ConvolveBuf\r
 725 {\r
 726     Size result_size;\r
 727     Size block_size;\r
 728     Size user_block_size;\r
 729     Size dft_size;\r
 730     int spect_len;\r
 731 \r
 732     GpuMat image_spect, templ_spect, result_spect;\r
 733     GpuMat image_block, templ_block, result_data;\r
 734 \r
 735     void create(Size image_size, Size templ_size);\r
 736     static Size estimateBlockSize(Size result_size, Size templ_size);\r
 737 };\r
 738 \r
 739 \r
 740 //! computes convolution (or cross-correlation) of two images using discrete Fourier transform\r
 741 //! supports source images of 32FC1 type only\r
 742 //! result matrix will have 32FC1 type\r
 743 CV_EXPORTS void convolve(const GpuMat& image, const GpuMat& templ, GpuMat& result, bool ccorr = false);\r
 744 CV_EXPORTS void convolve(const GpuMat& image, const GpuMat& templ, GpuMat& result, bool ccorr, ConvolveBuf& buf, Stream& stream = Stream::Null());\r
 745 \r
 746 struct CV_EXPORTS MatchTemplateBuf\r
 747 {\r
 748     Size user_block_size;\r
 749     GpuMat imagef, templf;\r
 750     std::vector<GpuMat> images;\r
 751     std::vector<GpuMat> image_sums;\r
 752     std::vector<GpuMat> image_sqsums;\r
 753 };\r
 754 \r
 755 //! computes the proximity map for the raster template and the image where the template is searched for\r
 756 CV_EXPORTS void matchTemplate(const GpuMat& image, const GpuMat& templ, GpuMat& result, int method, Stream &stream = Stream::Null());\r
 757 \r
 758 //! computes the proximity map for the raster template and the image where the template is searched for\r
 759 CV_EXPORTS void matchTemplate(const GpuMat& image, const GpuMat& templ, GpuMat& result, int method, MatchTemplateBuf &buf, Stream& stream = Stream::Null());\r
 760 \r
 761 //! smoothes the source image and downsamples it\r
 762 CV_EXPORTS void pyrDown(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null());\r
 763 \r
 764 //! upsamples the source image and then smoothes it\r
 765 CV_EXPORTS void pyrUp(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null());\r
 766 \r
 767 //! performs linear blending of two images\r
 768 //! to avoid accuracy errors sum of weigths shouldn't be very close to zero\r
 769 CV_EXPORTS void blendLinear(const GpuMat& img1, const GpuMat& img2, const GpuMat& weights1, const GpuMat& weights2,\r
 770                             GpuMat& result, Stream& stream = Stream::Null());\r
 771 \r
 772 \r
 773 struct CV_EXPORTS CannyBuf;\r
 774 \r
 775 CV_EXPORTS void Canny(const GpuMat& image, GpuMat& edges, double low_thresh, double high_thresh, int apperture_size = 3, bool L2gradient = false);\r
 776 CV_EXPORTS void Canny(const GpuMat& image, CannyBuf& buf, GpuMat& edges, double low_thresh, double high_thresh, int apperture_size = 3, bool L2gradient = false);\r
 777 CV_EXPORTS void Canny(const GpuMat& dx, const GpuMat& dy, GpuMat& edges, double low_thresh, double high_thresh, bool L2gradient = false);\r
 778 CV_EXPORTS void Canny(const GpuMat& dx, const GpuMat& dy, CannyBuf& buf, GpuMat& edges, double low_thresh, double high_thresh, bool L2gradient = false);\r
 779 \r
 780 struct CV_EXPORTS CannyBuf\r
 781 {\r
 782     CannyBuf() {}\r
 783     explicit CannyBuf(const Size& image_size, int apperture_size = 3) {create(image_size, apperture_size);}\r
 784     CannyBuf(const GpuMat& dx_, const GpuMat& dy_);\r
 785 \r
 786     void create(const Size& image_size, int apperture_size = 3);\r
 787 \r
 788     void release();\r
 789 \r
 790     GpuMat dx, dy;\r
 791     GpuMat dx_buf, dy_buf;\r
 792     GpuMat edgeBuf;\r
 793     GpuMat trackBuf1, trackBuf2;\r
 794     Ptr<FilterEngine_GPU> filterDX, filterDY;\r
 795 };\r
 796 \r
 797 class CV_EXPORTS ImagePyramid\r
 798 {\r
 799 public:\r
 800     inline ImagePyramid() : nLayers_(0) {}\r
 801     inline ImagePyramid(const GpuMat& img, int nLayers, Stream& stream = Stream::Null())\r
 802     {\r
 803         build(img, nLayers, stream);\r
 804     }\r
 805 \r
 806     void build(const GpuMat& img, int nLayers, Stream& stream = Stream::Null());\r
 807 \r
 808     void getLayer(GpuMat& outImg, Size outRoi, Stream& stream = Stream::Null()) const;\r
 809 \r
 810     inline void release()\r
 811     {\r
 812         layer0_.release();\r
 813         pyramid_.clear();\r
 814         nLayers_ = 0;\r
 815     }\r
 816 \r
 817 private:\r
 818     GpuMat layer0_;\r
 819     std::vector<GpuMat> pyramid_;\r
 820     int nLayers_;\r
 821 };\r
 822 \r
 823 //! HoughLines\r
 824 CV_EXPORTS void HoughLines(const GpuMat& src, GpuMat& lines, float rho, float theta, int threshold, bool doSort = false, int maxLines = 4096);\r
 825 CV_EXPORTS void HoughLines(const GpuMat& src, GpuMat& lines, GpuMat& accum, GpuMat& buf, float rho, float theta, int threshold, bool doSort = false, int maxLines = 4096);\r
 826 CV_EXPORTS void HoughLinesTransform(const GpuMat& src, GpuMat& accum, GpuMat& buf, float rho, float theta);\r
 827 CV_EXPORTS void HoughLinesGet(const GpuMat& accum, GpuMat& lines, float rho, float theta, int threshold, bool doSort = false, int maxLines = 4096);\r
 828 CV_EXPORTS void HoughLinesDownload(const GpuMat& d_lines, OutputArray h_lines, OutputArray h_votes = noArray());\r
 829 \r
 830 ////////////////////////////// Matrix reductions //////////////////////////////\r
 831 \r
 832 //! computes mean value and standard deviation of all or selected array elements\r
 833 //! supports only CV_8UC1 type\r
 834 CV_EXPORTS void meanStdDev(const GpuMat& mtx, Scalar& mean, Scalar& stddev);\r
 835 //! buffered version\r
 836 CV_EXPORTS void meanStdDev(const GpuMat& mtx, Scalar& mean, Scalar& stddev, GpuMat& buf);\r
 837 \r
 838 //! computes norm of array\r
 839 //! supports NORM_INF, NORM_L1, NORM_L2\r
 840 //! supports all matrices except 64F\r
 841 CV_EXPORTS double norm(const GpuMat& src1, int normType=NORM_L2);\r
 842 \r
 843 //! computes norm of array\r
 844 //! supports NORM_INF, NORM_L1, NORM_L2\r
 845 //! supports all matrices except 64F\r
 846 CV_EXPORTS double norm(const GpuMat& src1, int normType, GpuMat& buf);\r
 847 \r
 848 //! computes norm of the difference between two arrays\r
 849 //! supports NORM_INF, NORM_L1, NORM_L2\r
 850 //! supports only CV_8UC1 type\r
 851 CV_EXPORTS double norm(const GpuMat& src1, const GpuMat& src2, int normType=NORM_L2);\r
 852 \r
 853 //! computes sum of array elements\r
 854 //! supports only single channel images\r
 855 CV_EXPORTS Scalar sum(const GpuMat& src);\r
 856 \r
 857 //! computes sum of array elements\r
 858 //! supports only single channel images\r
 859 CV_EXPORTS Scalar sum(const GpuMat& src, GpuMat& buf);\r
 860 \r
 861 //! computes sum of array elements absolute values\r
 862 //! supports only single channel images\r
 863 CV_EXPORTS Scalar absSum(const GpuMat& src);\r
 864 \r
 865 //! computes sum of array elements absolute values\r
 866 //! supports only single channel images\r
 867 CV_EXPORTS Scalar absSum(const GpuMat& src, GpuMat& buf);\r
 868 \r
 869 //! computes squared sum of array elements\r
 870 //! supports only single channel images\r
 871 CV_EXPORTS Scalar sqrSum(const GpuMat& src);\r
 872 \r
 873 //! computes squared sum of array elements\r
 874 //! supports only single channel images\r
 875 CV_EXPORTS Scalar sqrSum(const GpuMat& src, GpuMat& buf);\r
 876 \r
 877 //! finds global minimum and maximum array elements and returns their values\r
 878 CV_EXPORTS void minMax(const GpuMat& src, double* minVal, double* maxVal=0, const GpuMat& mask=GpuMat());\r
 879 \r
 880 //! finds global minimum and maximum array elements and returns their values\r
 881 CV_EXPORTS void minMax(const GpuMat& src, double* minVal, double* maxVal, const GpuMat& mask, GpuMat& buf);\r
 882 \r
 883 //! finds global minimum and maximum array elements and returns their values with locations\r
 884 CV_EXPORTS void minMaxLoc(const GpuMat& src, double* minVal, double* maxVal=0, Point* minLoc=0, Point* maxLoc=0,\r
 885                           const GpuMat& mask=GpuMat());\r
 886 \r
 887 //! finds global minimum and maximum array elements and returns their values with locations\r
 888 CV_EXPORTS void minMaxLoc(const GpuMat& src, double* minVal, double* maxVal, Point* minLoc, Point* maxLoc,\r
 889                           const GpuMat& mask, GpuMat& valbuf, GpuMat& locbuf);\r
 890 \r
 891 //! counts non-zero array elements\r
 892 CV_EXPORTS int countNonZero(const GpuMat& src);\r
 893 \r
 894 //! counts non-zero array elements\r
 895 CV_EXPORTS int countNonZero(const GpuMat& src, GpuMat& buf);\r
 896 \r
 897 //! reduces a matrix to a vector\r
 898 CV_EXPORTS void reduce(const GpuMat& mtx, GpuMat& vec, int dim, int reduceOp, int dtype = -1, Stream& stream = Stream::Null());\r
 899 \r
 900 \r
 901 ///////////////////////////// Calibration 3D //////////////////////////////////\r
 902 \r
 903 CV_EXPORTS void transformPoints(const GpuMat& src, const Mat& rvec, const Mat& tvec,\r
 904                                 GpuMat& dst, Stream& stream = Stream::Null());\r
 905 \r
 906 CV_EXPORTS void projectPoints(const GpuMat& src, const Mat& rvec, const Mat& tvec,\r
 907                               const Mat& camera_mat, const Mat& dist_coef, GpuMat& dst,\r
 908                               Stream& stream = Stream::Null());\r
 909 \r
 910 CV_EXPORTS void solvePnPRansac(const Mat& object, const Mat& image, const Mat& camera_mat,\r
 911                                const Mat& dist_coef, Mat& rvec, Mat& tvec, bool use_extrinsic_guess=false,\r
 912                                int num_iters=100, float max_dist=8.0, int min_inlier_count=100,\r
 913                                std::vector<int>* inliers=NULL);\r
 914 \r
 915 //////////////////////////////// Image Labeling ////////////////////////////////\r
 916 \r
 917 //!performs labeling via graph cuts of a 2D regular 4-connected graph.\r
 918 CV_EXPORTS void graphcut(GpuMat& terminals, GpuMat& leftTransp, GpuMat& rightTransp, GpuMat& top, GpuMat& bottom, GpuMat& labels,\r
 919                          GpuMat& buf, Stream& stream = Stream::Null());\r
 920 \r
 921 //!performs labeling via graph cuts of a 2D regular 8-connected graph.\r
 922 CV_EXPORTS void graphcut(GpuMat& terminals, GpuMat& leftTransp, GpuMat& rightTransp, GpuMat& top, GpuMat& topLeft, GpuMat& topRight,\r
 923                          GpuMat& bottom, GpuMat& bottomLeft, GpuMat& bottomRight,\r
 924                          GpuMat& labels,\r
 925                          GpuMat& buf, Stream& stream = Stream::Null());\r
 926 \r
 927 //! compute mask for Generalized Flood fill componetns labeling.\r
 928 CV_EXPORTS void connectivityMask(const GpuMat& image, GpuMat& mask, const cv::Scalar& lo, const cv::Scalar& hi, Stream& stream = Stream::Null());\r
 929 \r
 930 //! performs connected componnents labeling.\r
 931 CV_EXPORTS void labelComponents(const GpuMat& mask, GpuMat& components, int flags = 0, Stream& stream = Stream::Null());\r
 932 \r
 933 ////////////////////////////////// Histograms //////////////////////////////////\r
 934 \r
 935 //! Compute levels with even distribution. levels will have 1 row and nLevels cols and CV_32SC1 type.\r
 936 CV_EXPORTS void evenLevels(GpuMat& levels, int nLevels, int lowerLevel, int upperLevel);\r
 937 //! Calculates histogram with evenly distributed bins for signle channel source.\r
 938 //! Supports CV_8UC1, CV_16UC1 and CV_16SC1 source types.\r
 939 //! Output hist will have one row and histSize cols and CV_32SC1 type.\r
 940 CV_EXPORTS void histEven(const GpuMat& src, GpuMat& hist, int histSize, int lowerLevel, int upperLevel, Stream& stream = Stream::Null());\r
 941 CV_EXPORTS void histEven(const GpuMat& src, GpuMat& hist, GpuMat& buf, int histSize, int lowerLevel, int upperLevel, Stream& stream = Stream::Null());\r
 942 //! Calculates histogram with evenly distributed bins for four-channel source.\r
 943 //! All channels of source are processed separately.\r
 944 //! Supports CV_8UC4, CV_16UC4 and CV_16SC4 source types.\r
 945 //! Output hist[i] will have one row and histSize[i] cols and CV_32SC1 type.\r
 946 CV_EXPORTS void histEven(const GpuMat& src, GpuMat hist[4], int histSize[4], int lowerLevel[4], int upperLevel[4], Stream& stream = Stream::Null());\r
 947 CV_EXPORTS void histEven(const GpuMat& src, GpuMat hist[4], GpuMat& buf, int histSize[4], int lowerLevel[4], int upperLevel[4], Stream& stream = Stream::Null());\r
 948 //! Calculates histogram with bins determined by levels array.\r
 949 //! levels must have one row and CV_32SC1 type if source has integer type or CV_32FC1 otherwise.\r
 950 //! Supports CV_8UC1, CV_16UC1, CV_16SC1 and CV_32FC1 source types.\r
 951 //! Output hist will have one row and (levels.cols-1) cols and CV_32SC1 type.\r
 952 CV_EXPORTS void histRange(const GpuMat& src, GpuMat& hist, const GpuMat& levels, Stream& stream = Stream::Null());\r
 953 CV_EXPORTS void histRange(const GpuMat& src, GpuMat& hist, const GpuMat& levels, GpuMat& buf, Stream& stream = Stream::Null());\r
 954 //! Calculates histogram with bins determined by levels array.\r
 955 //! All levels must have one row and CV_32SC1 type if source has integer type or CV_32FC1 otherwise.\r
 956 //! All channels of source are processed separately.\r
 957 //! Supports CV_8UC4, CV_16UC4, CV_16SC4 and CV_32FC4 source types.\r
 958 //! Output hist[i] will have one row and (levels[i].cols-1) cols and CV_32SC1 type.\r
 959 CV_EXPORTS void histRange(const GpuMat& src, GpuMat hist[4], const GpuMat levels[4], Stream& stream = Stream::Null());\r
 960 CV_EXPORTS void histRange(const GpuMat& src, GpuMat hist[4], const GpuMat levels[4], GpuMat& buf, Stream& stream = Stream::Null());\r
 961 \r
 962 //! Calculates histogram for 8u one channel image\r
 963 //! Output hist will have one row, 256 cols and CV32SC1 type.\r
 964 CV_EXPORTS void calcHist(const GpuMat& src, GpuMat& hist, Stream& stream = Stream::Null());\r
 965 CV_EXPORTS void calcHist(const GpuMat& src, GpuMat& hist, GpuMat& buf, Stream& stream = Stream::Null());\r
 966 \r
 967 //! normalizes the grayscale image brightness and contrast by normalizing its histogram\r
 968 CV_EXPORTS void equalizeHist(const GpuMat& src, GpuMat& dst, Stream& stream = Stream::Null());\r
 969 CV_EXPORTS void equalizeHist(const GpuMat& src, GpuMat& dst, GpuMat& hist, Stream& stream = Stream::Null());\r
 970 CV_EXPORTS void equalizeHist(const GpuMat& src, GpuMat& dst, GpuMat& hist, GpuMat& buf, Stream& stream = Stream::Null());\r
 971 \r
 972 //////////////////////////////// StereoBM_GPU ////////////////////////////////\r
 973 \r
 974 class CV_EXPORTS StereoBM_GPU\r
 975 {\r
 976 public:\r
 977     enum { BASIC_PRESET = 0, PREFILTER_XSOBEL = 1 };\r
 978 \r
 979     enum { DEFAULT_NDISP = 64, DEFAULT_WINSZ = 19 };\r
 980 \r
 981     //! the default constructor\r
 982     StereoBM_GPU();\r
 983     //! the full constructor taking the camera-specific preset, number of disparities and the SAD window size. ndisparities must be multiple of 8.\r
 984     StereoBM_GPU(int preset, int ndisparities = DEFAULT_NDISP, int winSize = DEFAULT_WINSZ);\r
 985 \r
 986     //! the stereo correspondence operator. Finds the disparity for the specified rectified stereo pair\r
 987     //! Output disparity has CV_8U type.\r
 988     void operator()(const GpuMat& left, const GpuMat& right, GpuMat& disparity, Stream& stream = Stream::Null());\r
 989 \r
 990     //! Some heuristics that tries to estmate\r
 991     // if current GPU will be faster than CPU in this algorithm.\r
 992     // It queries current active device.\r
 993     static bool checkIfGpuCallReasonable();\r
 994 \r
 995     int preset;\r
 996     int ndisp;\r
 997     int winSize;\r
 998 \r
 999     // If avergeTexThreshold  == 0 => post procesing is disabled\r
1000     // If avergeTexThreshold != 0 then disparity is set 0 in each point (x,y) where for left image\r
1001     // SumOfHorizontalGradiensInWindow(x, y, winSize) < (winSize * winSize) * avergeTexThreshold\r
1002     // i.e. input left image is low textured.\r
1003     float avergeTexThreshold;\r
1004 \r
1005 private:\r
1006     GpuMat minSSD, leBuf, riBuf;\r
1007 };\r
1008 \r
1009 ////////////////////////// StereoBeliefPropagation ///////////////////////////\r
1010 // "Efficient Belief Propagation for Early Vision"\r
1011 // P.Felzenszwalb\r
1012 \r
1013 class CV_EXPORTS StereoBeliefPropagation\r
1014 {\r
1015 public:\r
1016     enum { DEFAULT_NDISP  = 64 };\r
1017     enum { DEFAULT_ITERS  = 5  };\r
1018     enum { DEFAULT_LEVELS = 5  };\r
1019 \r
1020     static void estimateRecommendedParams(int width, int height, int& ndisp, int& iters, int& levels);\r
1021 \r
1022     //! the default constructor\r
1023     explicit StereoBeliefPropagation(int ndisp  = DEFAULT_NDISP,\r
1024                                      int iters  = DEFAULT_ITERS,\r
1025                                      int levels = DEFAULT_LEVELS,\r
1026                                      int msg_type = CV_32F);\r
1027 \r
1028     //! the full constructor taking the number of disparities, number of BP iterations on each level,\r
1029     //! number of levels, truncation of data cost, data weight,\r
1030     //! truncation of discontinuity cost and discontinuity single jump\r
1031     //! DataTerm = data_weight * min(fabs(I2-I1), max_data_term)\r
1032     //! DiscTerm = min(disc_single_jump * fabs(f1-f2), max_disc_term)\r
1033     //! please see paper for more details\r
1034     StereoBeliefPropagation(int ndisp, int iters, int levels,\r
1035         float max_data_term, float data_weight,\r
1036         float max_disc_term, float disc_single_jump,\r
1037         int msg_type = CV_32F);\r
1038 \r
1039     //! the stereo correspondence operator. Finds the disparity for the specified rectified stereo pair,\r
1040     //! if disparity is empty output type will be CV_16S else output type will be disparity.type().\r
1041     void operator()(const GpuMat& left, const GpuMat& right, GpuMat& disparity, Stream& stream = Stream::Null());\r
1042 \r
1043 \r
1044     //! version for user specified data term\r
1045     void operator()(const GpuMat& data, GpuMat& disparity, Stream& stream = Stream::Null());\r
1046 \r
1047     int ndisp;\r
1048 \r
1049     int iters;\r
1050     int levels;\r
1051 \r
1052     float max_data_term;\r
1053     float data_weight;\r
1054     float max_disc_term;\r
1055     float disc_single_jump;\r
1056 \r
1057     int msg_type;\r
1058 private:\r
1059     GpuMat u, d, l, r, u2, d2, l2, r2;\r
1060     std::vector<GpuMat> datas;\r
1061     GpuMat out;\r
1062 };\r
1063 \r
1064 /////////////////////////// StereoConstantSpaceBP ///////////////////////////\r
1065 // "A Constant-Space Belief Propagation Algorithm for Stereo Matching"\r
1066 // Qingxiong Yang, Liang Wang, Narendra Ahuja\r
1067 // http://vision.ai.uiuc.edu/~qyang6/\r
1068 \r
1069 class CV_EXPORTS StereoConstantSpaceBP\r
1070 {\r
1071 public:\r
1072     enum { DEFAULT_NDISP    = 128 };\r
1073     enum { DEFAULT_ITERS    = 8   };\r
1074     enum { DEFAULT_LEVELS   = 4   };\r
1075     enum { DEFAULT_NR_PLANE = 4   };\r
1076 \r
1077     static void estimateRecommendedParams(int width, int height, int& ndisp, int& iters, int& levels, int& nr_plane);\r
1078 \r
1079     //! the default constructor\r
1080     explicit StereoConstantSpaceBP(int ndisp    = DEFAULT_NDISP,\r
1081                                    int iters    = DEFAULT_ITERS,\r
1082                                    int levels   = DEFAULT_LEVELS,\r
1083                                    int nr_plane = DEFAULT_NR_PLANE,\r
1084                                    int msg_type = CV_32F);\r
1085 \r
1086     //! the full constructor taking the number of disparities, number of BP iterations on each level,\r
1087     //! number of levels, number of active disparity on the first level, truncation of data cost, data weight,\r
1088     //! truncation of discontinuity cost, discontinuity single jump and minimum disparity threshold\r
1089     StereoConstantSpaceBP(int ndisp, int iters, int levels, int nr_plane,\r
1090         float max_data_term, float data_weight, float max_disc_term, float disc_single_jump,\r
1091         int min_disp_th = 0,\r
1092         int msg_type = CV_32F);\r
1093 \r
1094     //! the stereo correspondence operator. Finds the disparity for the specified rectified stereo pair,\r
1095     //! if disparity is empty output type will be CV_16S else output type will be disparity.type().\r
1096     void operator()(const GpuMat& left, const GpuMat& right, GpuMat& disparity, Stream& stream = Stream::Null());\r
1097 \r
1098     int ndisp;\r
1099 \r
1100     int iters;\r
1101     int levels;\r
1102 \r
1103     int nr_plane;\r
1104 \r
1105     float max_data_term;\r
1106     float data_weight;\r
1107     float max_disc_term;\r
1108     float disc_single_jump;\r
1109 \r
1110     int min_disp_th;\r
1111 \r
1112     int msg_type;\r
1113 \r
1114     bool use_local_init_data_cost;\r
1115 private:\r
1116     GpuMat messages_buffers;\r
1117 \r
1118     GpuMat temp;\r
1119     GpuMat out;\r
1120 };\r
1121 \r
1122 /////////////////////////// DisparityBilateralFilter ///////////////////////////\r
1123 // Disparity map refinement using joint bilateral filtering given a single color image.\r
1124 // Qingxiong Yang, Liang Wang, Narendra Ahuja\r
1125 // http://vision.ai.uiuc.edu/~qyang6/\r
1126 \r
1127 class CV_EXPORTS DisparityBilateralFilter\r
1128 {\r
1129 public:\r
1130     enum { DEFAULT_NDISP  = 64 };\r
1131     enum { DEFAULT_RADIUS = 3 };\r
1132     enum { DEFAULT_ITERS  = 1 };\r
1133 \r
1134     //! the default constructor\r
1135     explicit DisparityBilateralFilter(int ndisp = DEFAULT_NDISP, int radius = DEFAULT_RADIUS, int iters = DEFAULT_ITERS);\r
1136 \r
1137     //! the full constructor taking the number of disparities, filter radius,\r
1138     //! number of iterations, truncation of data continuity, truncation of disparity continuity\r
1139     //! and filter range sigma\r
1140     DisparityBilateralFilter(int ndisp, int radius, int iters, float edge_threshold, float max_disc_threshold, float sigma_range);\r
1141 \r
1142     //! the disparity map refinement operator. Refine disparity map using joint bilateral filtering given a single color image.\r
1143     //! disparity must have CV_8U or CV_16S type, image must have CV_8UC1 or CV_8UC3 type.\r
1144     void operator()(const GpuMat& disparity, const GpuMat& image, GpuMat& dst, Stream& stream = Stream::Null());\r
1145 \r
1146 private:\r
1147     int ndisp;\r
1148     int radius;\r
1149     int iters;\r
1150 \r
1151     float edge_threshold;\r
1152     float max_disc_threshold;\r
1153     float sigma_range;\r
1154 \r
1155     GpuMat table_color;\r
1156     GpuMat table_space;\r
1157 };\r
1158 \r
1159 \r
1160 //////////////// HOG (Histogram-of-Oriented-Gradients) Descriptor and Object Detector //////////////\r
1161 struct CV_EXPORTS HOGConfidence\r
1162 {\r
1163    double scale;\r
1164    vector<Point> locations;\r
1165    vector<double> confidences;\r
1166    vector<double> part_scores[4];\r
1167 };\r
1168 \r
1169 struct CV_EXPORTS HOGDescriptor\r
1170 {\r
1171     enum { DEFAULT_WIN_SIGMA = -1 };\r
1172     enum { DEFAULT_NLEVELS = 64 };\r
1173     enum { DESCR_FORMAT_ROW_BY_ROW, DESCR_FORMAT_COL_BY_COL };\r
1174 \r
1175     HOGDescriptor(Size win_size=Size(64, 128), Size block_size=Size(16, 16),\r
1176                   Size block_stride=Size(8, 8), Size cell_size=Size(8, 8),\r
1177                   int nbins=9, double win_sigma=DEFAULT_WIN_SIGMA,\r
1178                   double threshold_L2hys=0.2, bool gamma_correction=true,\r
1179                   int nlevels=DEFAULT_NLEVELS);\r
1180 \r
1181     size_t getDescriptorSize() const;\r
1182     size_t getBlockHistogramSize() const;\r
1183 \r
1184     void setSVMDetector(const vector<float>& detector);\r
1185 \r
1186     static vector<float> getDefaultPeopleDetector();\r
1187     static vector<float> getPeopleDetector48x96();\r
1188     static vector<float> getPeopleDetector64x128();\r
1189 \r
1190     void detect(const GpuMat& img, vector<Point>& found_locations,\r
1191                 double hit_threshold=0, Size win_stride=Size(),\r
1192                 Size padding=Size());\r
1193 \r
1194     void detectMultiScale(const GpuMat& img, vector<Rect>& found_locations,\r
1195                           double hit_threshold=0, Size win_stride=Size(),\r
1196                           Size padding=Size(), double scale0=1.05,\r
1197                           int group_threshold=2);\r
1198 \r
1199     void computeConfidence(const GpuMat& img, vector<Point>& hits, double hit_threshold,\r
1200                                                 Size win_stride, Size padding, vector<Point>& locations, vector<double>& confidences);\r
1201 \r
1202     void computeConfidenceMultiScale(const GpuMat& img, vector<Rect>& found_locations,\r
1203                                                                     double hit_threshold, Size win_stride, Size padding,\r
1204                                                                     vector<HOGConfidence> &conf_out, int group_threshold);\r
1205 \r
1206     void getDescriptors(const GpuMat& img, Size win_stride,\r
1207                         GpuMat& descriptors,\r
1208                         int descr_format=DESCR_FORMAT_COL_BY_COL);\r
1209 \r
1210     Size win_size;\r
1211     Size block_size;\r
1212     Size block_stride;\r
1213     Size cell_size;\r
1214     int nbins;\r
1215     double win_sigma;\r
1216     double threshold_L2hys;\r
1217     bool gamma_correction;\r
1218     int nlevels;\r
1219 \r
1220 protected:\r
1221     void computeBlockHistograms(const GpuMat& img);\r
1222     void computeGradient(const GpuMat& img, GpuMat& grad, GpuMat& qangle);\r
1223 \r
1224     double getWinSigma() const;\r
1225     bool checkDetectorSize() const;\r
1226 \r
1227     static int numPartsWithin(int size, int part_size, int stride);\r
1228     static Size numPartsWithin(Size size, Size part_size, Size stride);\r
1229 \r
1230     // Coefficients of the separating plane\r
1231     float free_coef;\r
1232     GpuMat detector;\r
1233 \r
1234     // Results of the last classification step\r
1235     GpuMat labels, labels_buf;\r
1236     Mat labels_host;\r
1237 \r
1238     // Results of the last histogram evaluation step\r
1239     GpuMat block_hists, block_hists_buf;\r
1240 \r
1241     // Gradients conputation results\r
1242     GpuMat grad, qangle, grad_buf, qangle_buf;\r
1243 \r
1244     // returns subbuffer with required size, reallocates buffer if nessesary.\r
1245     static GpuMat getBuffer(const Size& sz, int type, GpuMat& buf);\r
1246     static GpuMat getBuffer(int rows, int cols, int type, GpuMat& buf);\r
1247 \r
1248     std::vector<GpuMat> image_scales;\r
1249 };\r
1250 \r
1251 \r
1252 ////////////////////////////////// BruteForceMatcher //////////////////////////////////\r
1253 \r
1254 class CV_EXPORTS BFMatcher_GPU\r
1255 {\r
1256 public:\r
1257     explicit BFMatcher_GPU(int norm = cv::NORM_L2);\r
1258 \r
1259     // Add descriptors to train descriptor collection\r
1260     void add(const std::vector<GpuMat>& descCollection);\r
1261 \r
1262     // Get train descriptors collection\r
1263     const std::vector<GpuMat>& getTrainDescriptors() const;\r
1264 \r
1265     // Clear train descriptors collection\r
1266     void clear();\r
1267 \r
1268     // Return true if there are not train descriptors in collection\r
1269     bool empty() const;\r
1270 \r
1271     // Return true if the matcher supports mask in match methods\r
1272     bool isMaskSupported() const;\r
1273 \r
1274     // Find one best match for each query descriptor\r
1275     void matchSingle(const GpuMat& query, const GpuMat& train,\r
1276         GpuMat& trainIdx, GpuMat& distance,\r
1277         const GpuMat& mask = GpuMat(), Stream& stream = Stream::Null());\r
1278 \r
1279     // Download trainIdx and distance and convert it to CPU vector with DMatch\r
1280     static void matchDownload(const GpuMat& trainIdx, const GpuMat& distance, std::vector<DMatch>& matches);\r
1281     // Convert trainIdx and distance to vector with DMatch\r
1282     static void matchConvert(const Mat& trainIdx, const Mat& distance, std::vector<DMatch>& matches);\r
1283 \r
1284     // Find one best match for each query descriptor\r
1285     void match(const GpuMat& query, const GpuMat& train, std::vector<DMatch>& matches, const GpuMat& mask = GpuMat());\r
1286 \r
1287     // Make gpu collection of trains and masks in suitable format for matchCollection function\r
1288     void makeGpuCollection(GpuMat& trainCollection, GpuMat& maskCollection, const std::vector<GpuMat>& masks = std::vector<GpuMat>());\r
1289 \r
1290     // Find one best match from train collection for each query descriptor\r
1291     void matchCollection(const GpuMat& query, const GpuMat& trainCollection,\r
1292         GpuMat& trainIdx, GpuMat& imgIdx, GpuMat& distance,\r
1293         const GpuMat& masks = GpuMat(), Stream& stream = Stream::Null());\r
1294 \r
1295     // Download trainIdx, imgIdx and distance and convert it to vector with DMatch\r
1296     static void matchDownload(const GpuMat& trainIdx, const GpuMat& imgIdx, const GpuMat& distance, std::vector<DMatch>& matches);\r
1297     // Convert trainIdx, imgIdx and distance to vector with DMatch\r
1298     static void matchConvert(const Mat& trainIdx, const Mat& imgIdx, const Mat& distance, std::vector<DMatch>& matches);\r
1299 \r
1300     // Find one best match from train collection for each query descriptor.\r
1301     void match(const GpuMat& query, std::vector<DMatch>& matches, const std::vector<GpuMat>& masks = std::vector<GpuMat>());\r
1302 \r
1303     // Find k best matches for each query descriptor (in increasing order of distances)\r
1304     void knnMatchSingle(const GpuMat& query, const GpuMat& train,\r
1305         GpuMat& trainIdx, GpuMat& distance, GpuMat& allDist, int k,\r
1306         const GpuMat& mask = GpuMat(), Stream& stream = Stream::Null());\r
1307 \r
1308     // Download trainIdx and distance and convert it to vector with DMatch\r
1309     // compactResult is used when mask is not empty. If compactResult is false matches\r
1310     // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1311     // matches vector will not contain matches for fully masked out query descriptors.\r
1312     static void knnMatchDownload(const GpuMat& trainIdx, const GpuMat& distance,\r
1313         std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1314     // Convert trainIdx and distance to vector with DMatch\r
1315     static void knnMatchConvert(const Mat& trainIdx, const Mat& distance,\r
1316         std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1317 \r
1318     // Find k best matches for each query descriptor (in increasing order of distances).\r
1319     // compactResult is used when mask is not empty. If compactResult is false matches\r
1320     // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1321     // matches vector will not contain matches for fully masked out query descriptors.\r
1322     void knnMatch(const GpuMat& query, const GpuMat& train,\r
1323         std::vector< std::vector<DMatch> >& matches, int k, const GpuMat& mask = GpuMat(),\r
1324         bool compactResult = false);\r
1325 \r
1326     // Find k best matches from train collection for each query descriptor (in increasing order of distances)\r
1327     void knnMatch2Collection(const GpuMat& query, const GpuMat& trainCollection,\r
1328         GpuMat& trainIdx, GpuMat& imgIdx, GpuMat& distance,\r
1329         const GpuMat& maskCollection = GpuMat(), Stream& stream = Stream::Null());\r
1330 \r
1331     // Download trainIdx and distance and convert it to vector with DMatch\r
1332     // compactResult is used when mask is not empty. If compactResult is false matches\r
1333     // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1334     // matches vector will not contain matches for fully masked out query descriptors.\r
1335     static void knnMatch2Download(const GpuMat& trainIdx, const GpuMat& imgIdx, const GpuMat& distance,\r
1336         std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1337     // Convert trainIdx and distance to vector with DMatch\r
1338     static void knnMatch2Convert(const Mat& trainIdx, const Mat& imgIdx, const Mat& distance,\r
1339         std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1340 \r
1341     // Find k best matches  for each query descriptor (in increasing order of distances).\r
1342     // compactResult is used when mask is not empty. If compactResult is false matches\r
1343     // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1344     // matches vector will not contain matches for fully masked out query descriptors.\r
1345     void knnMatch(const GpuMat& query, std::vector< std::vector<DMatch> >& matches, int k,\r
1346         const std::vector<GpuMat>& masks = std::vector<GpuMat>(), bool compactResult = false);\r
1347 \r
1348     // Find best matches for each query descriptor which have distance less than maxDistance.\r
1349     // nMatches.at<int>(0, queryIdx) will contain matches count for queryIdx.\r
1350     // carefully nMatches can be greater than trainIdx.cols - it means that matcher didn't find all matches,\r
1351     // because it didn't have enough memory.\r
1352     // If trainIdx is empty, then trainIdx and distance will be created with size nQuery x max((nTrain / 100), 10),\r
1353     // otherwize user can pass own allocated trainIdx and distance with size nQuery x nMaxMatches\r
1354     // Matches doesn't sorted.\r
1355     void radiusMatchSingle(const GpuMat& query, const GpuMat& train,\r
1356         GpuMat& trainIdx, GpuMat& distance, GpuMat& nMatches, float maxDistance,\r
1357         const GpuMat& mask = GpuMat(), Stream& stream = Stream::Null());\r
1358 \r
1359     // Download trainIdx, nMatches and distance and convert it to vector with DMatch.\r
1360     // matches will be sorted in increasing order of distances.\r
1361     // compactResult is used when mask is not empty. If compactResult is false matches\r
1362     // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1363     // matches vector will not contain matches for fully masked out query descriptors.\r
1364     static void radiusMatchDownload(const GpuMat& trainIdx, const GpuMat& distance, const GpuMat& nMatches,\r
1365         std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1366     // Convert trainIdx, nMatches and distance to vector with DMatch.\r
1367     static void radiusMatchConvert(const Mat& trainIdx, const Mat& distance, const Mat& nMatches,\r
1368         std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1369 \r
1370     // Find best matches for each query descriptor which have distance less than maxDistance\r
1371     // in increasing order of distances).\r
1372     void radiusMatch(const GpuMat& query, const GpuMat& train,\r
1373         std::vector< std::vector<DMatch> >& matches, float maxDistance,\r
1374         const GpuMat& mask = GpuMat(), bool compactResult = false);\r
1375 \r
1376     // Find best matches for each query descriptor which have distance less than maxDistance.\r
1377     // If trainIdx is empty, then trainIdx and distance will be created with size nQuery x max((nQuery / 100), 10),\r
1378     // otherwize user can pass own allocated trainIdx and distance with size nQuery x nMaxMatches\r
1379     // Matches doesn't sorted.\r
1380     void radiusMatchCollection(const GpuMat& query, GpuMat& trainIdx, GpuMat& imgIdx, GpuMat& distance, GpuMat& nMatches, float maxDistance,\r
1381         const std::vector<GpuMat>& masks = std::vector<GpuMat>(), Stream& stream = Stream::Null());\r
1382 \r
1383     // Download trainIdx, imgIdx, nMatches and distance and convert it to vector with DMatch.\r
1384     // matches will be sorted in increasing order of distances.\r
1385     // compactResult is used when mask is not empty. If compactResult is false matches\r
1386     // vector will have the same size as queryDescriptors rows. If compactResult is true\r
1387     // matches vector will not contain matches for fully masked out query descriptors.\r
1388     static void radiusMatchDownload(const GpuMat& trainIdx, const GpuMat& imgIdx, const GpuMat& distance, const GpuMat& nMatches,\r
1389         std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1390     // Convert trainIdx, nMatches and distance to vector with DMatch.\r
1391     static void radiusMatchConvert(const Mat& trainIdx, const Mat& imgIdx, const Mat& distance, const Mat& nMatches,\r
1392         std::vector< std::vector<DMatch> >& matches, bool compactResult = false);\r
1393 \r
1394     // Find best matches from train collection for each query descriptor which have distance less than\r
1395     // maxDistance (in increasing order of distances).\r
1396     void radiusMatch(const GpuMat& query, std::vector< std::vector<DMatch> >& matches, float maxDistance,\r
1397         const std::vector<GpuMat>& masks = std::vector<GpuMat>(), bool compactResult = false);\r
1398 \r
1399     int norm;\r
1400 \r
1401 private:\r
1402     std::vector<GpuMat> trainDescCollection;\r
1403 };\r
1404 \r
1405 template <class Distance>\r
1406 class CV_EXPORTS BruteForceMatcher_GPU;\r
1407 \r
1408 template <typename T>\r
1409 class CV_EXPORTS BruteForceMatcher_GPU< L1<T> > : public BFMatcher_GPU\r
1410 {\r
1411 public:\r
1412     explicit BruteForceMatcher_GPU() : BFMatcher_GPU(NORM_L1) {}\r
1413     explicit BruteForceMatcher_GPU(L1<T> /*d*/) : BFMatcher_GPU(NORM_L1) {}\r
1414 };\r
1415 template <typename T>\r
1416 class CV_EXPORTS BruteForceMatcher_GPU< L2<T> > : public BFMatcher_GPU\r
1417 {\r
1418 public:\r
1419     explicit BruteForceMatcher_GPU() : BFMatcher_GPU(NORM_L2) {}\r
1420     explicit BruteForceMatcher_GPU(L2<T> /*d*/) : BFMatcher_GPU(NORM_L2) {}\r
1421 };\r
1422 template <> class CV_EXPORTS BruteForceMatcher_GPU< Hamming > : public BFMatcher_GPU\r
1423 {\r
1424 public:\r
1425     explicit BruteForceMatcher_GPU() : BFMatcher_GPU(NORM_HAMMING) {}\r
1426     explicit BruteForceMatcher_GPU(Hamming /*d*/) : BFMatcher_GPU(NORM_HAMMING) {}\r
1427 };\r
1428 \r
1429 ////////////////////////////////// CascadeClassifier_GPU //////////////////////////////////////////\r
1430 // The cascade classifier class for object detection: supports old haar and new lbp xlm formats and nvbin for haar cascades olny.\r
1431 class CV_EXPORTS CascadeClassifier_GPU\r
1432 {\r
1433 public:\r
1434     CascadeClassifier_GPU();\r
1435     CascadeClassifier_GPU(const std::string& filename);\r
1436     ~CascadeClassifier_GPU();\r
1437 \r
1438     bool empty() const;\r
1439     bool load(const std::string& filename);\r
1440     void release();\r
1441 \r
1442     /* returns number of detected objects */\r
1443     int detectMultiScale(const GpuMat& image, GpuMat& objectsBuf, double scaleFactor = 1.2, int minNeighbors = 4, Size minSize = Size());\r
1444 \r
1445     bool findLargestObject;\r
1446     bool visualizeInPlace;\r
1447 \r
1448     Size getClassifierSize() const;\r
1449 \r
1450 private:\r
1451     struct CascadeClassifierImpl;\r
1452     CascadeClassifierImpl* impl;\r
1453     struct HaarCascade;\r
1454     struct LbpCascade;\r
1455     friend class CascadeClassifier_GPU_LBP;\r
1456 \r
1457 public:\r
1458     int detectMultiScale(const GpuMat& image, GpuMat& objectsBuf, Size maxObjectSize, Size minSize = Size(), double scaleFactor = 1.1, int minNeighbors = 4);\r
1459 };\r
1460 \r
1461 ////////////////////////////////// SURF //////////////////////////////////////////\r
1462 \r
1463 class CV_EXPORTS SURF_GPU\r
1464 {\r
1465 public:\r
1466     enum KeypointLayout\r
1467     {\r
1468         X_ROW = 0,\r
1469         Y_ROW,\r
1470         LAPLACIAN_ROW,\r
1471         OCTAVE_ROW,\r
1472         SIZE_ROW,\r
1473         ANGLE_ROW,\r
1474         HESSIAN_ROW,\r
1475         ROWS_COUNT\r
1476     };\r
1477 \r
1478     //! the default constructor\r
1479     SURF_GPU();\r
1480     //! the full constructor taking all the necessary parameters\r
1481     explicit SURF_GPU(double _hessianThreshold, int _nOctaves=4,\r
1482          int _nOctaveLayers=2, bool _extended=false, float _keypointsRatio=0.01f, bool _upright = false);\r
1483 \r
1484     //! returns the descriptor size in float's (64 or 128)\r
1485     int descriptorSize() const;\r
1486 \r
1487     //! upload host keypoints to device memory\r
1488     static void uploadKeypoints(const vector<KeyPoint>& keypoints, GpuMat& keypointsGPU);\r
1489     //! download keypoints from device to host memory\r
1490     static void downloadKeypoints(const GpuMat& keypointsGPU, vector<KeyPoint>& keypoints);\r
1491 \r
1492     //! download descriptors from device to host memory\r
1493     static void downloadDescriptors(const GpuMat& descriptorsGPU, vector<float>& descriptors);\r
1494 \r
1495     //! finds the keypoints using fast hessian detector used in SURF\r
1496     //! supports CV_8UC1 images\r
1497     //! keypoints will have nFeature cols and 6 rows\r
1498     //! keypoints.ptr<float>(X_ROW)[i] will contain x coordinate of i'th feature\r
1499     //! keypoints.ptr<float>(Y_ROW)[i] will contain y coordinate of i'th feature\r
1500     //! keypoints.ptr<float>(LAPLACIAN_ROW)[i] will contain laplacian sign of i'th feature\r
1501     //! keypoints.ptr<float>(OCTAVE_ROW)[i] will contain octave of i'th feature\r
1502     //! keypoints.ptr<float>(SIZE_ROW)[i] will contain size of i'th feature\r
1503     //! keypoints.ptr<float>(ANGLE_ROW)[i] will contain orientation of i'th feature\r
1504     //! keypoints.ptr<float>(HESSIAN_ROW)[i] will contain response of i'th feature\r
1505     void operator()(const GpuMat& img, const GpuMat& mask, GpuMat& keypoints);\r
1506     //! finds the keypoints and computes their descriptors.\r
1507     //! Optionally it can compute descriptors for the user-provided keypoints and recompute keypoints direction\r
1508     void operator()(const GpuMat& img, const GpuMat& mask, GpuMat& keypoints, GpuMat& descriptors,\r
1509         bool useProvidedKeypoints = false);\r
1510 \r
1511     void operator()(const GpuMat& img, const GpuMat& mask, std::vector<KeyPoint>& keypoints);\r
1512     void operator()(const GpuMat& img, const GpuMat& mask, std::vector<KeyPoint>& keypoints, GpuMat& descriptors,\r
1513         bool useProvidedKeypoints = false);\r
1514 \r
1515     void operator()(const GpuMat& img, const GpuMat& mask, std::vector<KeyPoint>& keypoints, std::vector<float>& descriptors,\r
1516         bool useProvidedKeypoints = false);\r
1517 \r
1518     void releaseMemory();\r
1519 \r
1520     // SURF parameters\r
1521     double hessianThreshold;\r
1522     int nOctaves;\r
1523     int nOctaveLayers;\r
1524     bool extended;\r
1525     bool upright;\r
1526 \r
1527     //! max keypoints = min(keypointsRatio * img.size().area(), 65535)\r
1528     float keypointsRatio;\r
1529 \r
1530     GpuMat sum, mask1, maskSum, intBuffer;\r
1531 \r
1532     GpuMat det, trace;\r
1533 \r
1534     GpuMat maxPosBuffer;\r
1535 };\r
1536 \r
1537 ////////////////////////////////// FAST //////////////////////////////////////////\r
1538 \r
1539 class CV_EXPORTS FAST_GPU\r
1540 {\r
1541 public:\r
1542     enum\r
1543     {\r
1544         LOCATION_ROW = 0,\r
1545         RESPONSE_ROW,\r
1546         ROWS_COUNT\r
1547     };\r
1548 \r
1549     // all features have same size\r
1550     static const int FEATURE_SIZE = 7;\r
1551 \r
1552     explicit FAST_GPU(int threshold, bool nonmaxSupression = true, double keypointsRatio = 0.05);\r
1553 \r
1554     //! finds the keypoints using FAST detector\r
1555     //! supports only CV_8UC1 images\r
1556     void operator ()(const GpuMat& image, const GpuMat& mask, GpuMat& keypoints);\r
1557     void operator ()(const GpuMat& image, const GpuMat& mask, std::vector<KeyPoint>& keypoints);\r
1558 \r
1559     //! download keypoints from device to host memory\r
1560     static void downloadKeypoints(const GpuMat& d_keypoints, std::vector<KeyPoint>& keypoints);\r
1561 \r
1562     //! convert keypoints to KeyPoint vector\r
1563     static void convertKeypoints(const Mat& h_keypoints, std::vector<KeyPoint>& keypoints);\r
1564 \r
1565     //! release temporary buffer's memory\r
1566     void release();\r
1567 \r
1568     bool nonmaxSupression;\r
1569 \r
1570     int threshold;\r
1571 \r
1572     //! max keypoints = keypointsRatio * img.size().area()\r
1573     double keypointsRatio;\r
1574 \r
1575     //! find keypoints and compute it's response if nonmaxSupression is true\r
1576     //! return count of detected keypoints\r
1577     int calcKeyPointsLocation(const GpuMat& image, const GpuMat& mask);\r
1578 \r
1579     //! get final array of keypoints\r
1580     //! performs nonmax supression if needed\r
1581     //! return final count of keypoints\r
1582     int getKeyPoints(GpuMat& keypoints);\r
1583 \r
1584 private:\r
1585     GpuMat kpLoc_;\r
1586     int count_;\r
1587 \r
1588     GpuMat score_;\r
1589 \r
1590     GpuMat d_keypoints_;\r
1591 };\r
1592 \r
1593 ////////////////////////////////// ORB //////////////////////////////////////////\r
1594 \r
1595 class CV_EXPORTS ORB_GPU\r
1596 {\r
1597 public:\r
1598     enum\r
1599     {\r
1600         X_ROW = 0,\r
1601         Y_ROW,\r
1602         RESPONSE_ROW,\r
1603         ANGLE_ROW,\r
1604         OCTAVE_ROW,\r
1605         SIZE_ROW,\r
1606         ROWS_COUNT\r
1607     };\r
1608 \r
1609     enum\r
1610     {\r
1611         DEFAULT_FAST_THRESHOLD = 20\r
1612     };\r
1613 \r
1614     //! Constructor\r
1615     explicit ORB_GPU(int nFeatures = 500, float scaleFactor = 1.2f, int nLevels = 8, int edgeThreshold = 31,\r
1616                      int firstLevel = 0, int WTA_K = 2, int scoreType = 0, int patchSize = 31);\r
1617 \r
1618     //! Compute the ORB features on an image\r
1619     //! image - the image to compute the features (supports only CV_8UC1 images)\r
1620     //! mask - the mask to apply\r
1621     //! keypoints - the resulting keypoints\r
1622     void operator()(const GpuMat& image, const GpuMat& mask, std::vector<KeyPoint>& keypoints);\r
1623     void operator()(const GpuMat& image, const GpuMat& mask, GpuMat& keypoints);\r
1624 \r
1625     //! Compute the ORB features and descriptors on an image\r
1626     //! image - the image to compute the features (supports only CV_8UC1 images)\r
1627     //! mask - the mask to apply\r
1628     //! keypoints - the resulting keypoints\r
1629     //! descriptors - descriptors array\r
1630     void operator()(const GpuMat& image, const GpuMat& mask, std::vector<KeyPoint>& keypoints, GpuMat& descriptors);\r
1631     void operator()(const GpuMat& image, const GpuMat& mask, GpuMat& keypoints, GpuMat& descriptors);\r
1632 \r
1633     //! download keypoints from device to host memory\r
1634     static void downloadKeyPoints(GpuMat& d_keypoints, std::vector<KeyPoint>& keypoints);\r
1635     //! convert keypoints to KeyPoint vector\r
1636     static void convertKeyPoints(Mat& d_keypoints, std::vector<KeyPoint>& keypoints);\r
1637 \r
1638     //! returns the descriptor size in bytes\r
1639     inline int descriptorSize() const { return kBytes; }\r
1640 \r
1641     inline void setFastParams(int threshold, bool nonmaxSupression = true)\r
1642     {\r
1643         fastDetector_.threshold = threshold;\r
1644         fastDetector_.nonmaxSupression = nonmaxSupression;\r
1645     }\r
1646 \r
1647     //! release temporary buffer's memory\r
1648     void release();\r
1649 \r
1650     //! if true, image will be blurred before descriptors calculation\r
1651     bool blurForDescriptor;\r
1652 \r
1653 private:\r
1654     enum { kBytes = 32 };\r
1655 \r
1656     void buildScalePyramids(const GpuMat& image, const GpuMat& mask);\r
1657 \r
1658     void computeKeyPointsPyramid();\r
1659 \r
1660     void computeDescriptors(GpuMat& descriptors);\r
1661 \r
1662     void mergeKeyPoints(GpuMat& keypoints);\r
1663 \r
1664     int nFeatures_;\r
1665     float scaleFactor_;\r
1666     int nLevels_;\r
1667     int edgeThreshold_;\r
1668     int firstLevel_;\r
1669     int WTA_K_;\r
1670     int scoreType_;\r
1671     int patchSize_;\r
1672 \r
1673     // The number of desired features per scale\r
1674     std::vector<size_t> n_features_per_level_;\r
1675 \r
1676     // Points to compute BRIEF descriptors from\r
1677     GpuMat pattern_;\r
1678 \r
1679     std::vector<GpuMat> imagePyr_;\r
1680     std::vector<GpuMat> maskPyr_;\r
1681 \r
1682     GpuMat buf_;\r
1683 \r
1684     std::vector<GpuMat> keyPointsPyr_;\r
1685     std::vector<int> keyPointsCount_;\r
1686 \r
1687     FAST_GPU fastDetector_;\r
1688 \r
1689     Ptr<FilterEngine_GPU> blurFilter;\r
1690 \r
1691     GpuMat d_keypoints_;\r
1692 };\r
1693 \r
1694 ////////////////////////////////// Optical Flow //////////////////////////////////////////\r
1695 \r
1696 class CV_EXPORTS BroxOpticalFlow\r
1697 {\r
1698 public:\r
1699     BroxOpticalFlow(float alpha_, float gamma_, float scale_factor_, int inner_iterations_, int outer_iterations_, int solver_iterations_) :\r
1700         alpha(alpha_), gamma(gamma_), scale_factor(scale_factor_),\r
1701         inner_iterations(inner_iterations_), outer_iterations(outer_iterations_), solver_iterations(solver_iterations_)\r
1702     {\r
1703     }\r
1704 \r
1705     //! Compute optical flow\r
1706     //! frame0 - source frame (supports only CV_32FC1 type)\r
1707     //! frame1 - frame to track (with the same size and type as frame0)\r
1708     //! u      - flow horizontal component (along x axis)\r
1709     //! v      - flow vertical component (along y axis)\r
1710     void operator ()(const GpuMat& frame0, const GpuMat& frame1, GpuMat& u, GpuMat& v, Stream& stream = Stream::Null());\r
1711 \r
1712     //! flow smoothness\r
1713     float alpha;\r
1714 \r
1715     //! gradient constancy importance\r
1716     float gamma;\r
1717 \r
1718     //! pyramid scale factor\r
1719     float scale_factor;\r
1720 \r
1721     //! number of lagged non-linearity iterations (inner loop)\r
1722     int inner_iterations;\r
1723 \r
1724     //! number of warping iterations (number of pyramid levels)\r
1725     int outer_iterations;\r
1726 \r
1727     //! number of linear system solver iterations\r
1728     int solver_iterations;\r
1729 \r
1730     GpuMat buf;\r
1731 };\r
1732 \r
1733 class CV_EXPORTS GoodFeaturesToTrackDetector_GPU\r
1734 {\r
1735 public:\r
1736     explicit GoodFeaturesToTrackDetector_GPU(int maxCorners = 1000, double qualityLevel = 0.01, double minDistance = 0.0,\r
1737         int blockSize = 3, bool useHarrisDetector = false, double harrisK = 0.04);\r
1738 \r
1739     //! return 1 rows matrix with CV_32FC2 type\r
1740     void operator ()(const GpuMat& image, GpuMat& corners, const GpuMat& mask = GpuMat());\r
1741 \r
1742     int maxCorners;\r
1743     double qualityLevel;\r
1744     double minDistance;\r
1745 \r
1746     int blockSize;\r
1747     bool useHarrisDetector;\r
1748     double harrisK;\r
1749 \r
1750     void releaseMemory()\r
1751     {\r
1752         Dx_.release();\r
1753         Dy_.release();\r
1754         buf_.release();\r
1755         eig_.release();\r
1756         minMaxbuf_.release();\r
1757         tmpCorners_.release();\r
1758     }\r
1759 \r
1760 private:\r
1761     GpuMat Dx_;\r
1762     GpuMat Dy_;\r
1763     GpuMat buf_;\r
1764     GpuMat eig_;\r
1765     GpuMat minMaxbuf_;\r
1766     GpuMat tmpCorners_;\r
1767 };\r
1768 \r
1769 inline GoodFeaturesToTrackDetector_GPU::GoodFeaturesToTrackDetector_GPU(int maxCorners_, double qualityLevel_, double minDistance_,\r
1770         int blockSize_, bool useHarrisDetector_, double harrisK_)\r
1771 {\r
1772     maxCorners = maxCorners_;\r
1773     qualityLevel = qualityLevel_;\r
1774     minDistance = minDistance_;\r
1775     blockSize = blockSize_;\r
1776     useHarrisDetector = useHarrisDetector_;\r
1777     harrisK = harrisK_;\r
1778 }\r
1779 \r
1780 \r
1781 class CV_EXPORTS PyrLKOpticalFlow\r
1782 {\r
1783 public:\r
1784     PyrLKOpticalFlow();\r
1785 \r
1786     void sparse(const GpuMat& prevImg, const GpuMat& nextImg, const GpuMat& prevPts, GpuMat& nextPts,\r
1787         GpuMat& status, GpuMat* err = 0);\r
1788 \r
1789     void dense(const GpuMat& prevImg, const GpuMat& nextImg, GpuMat& u, GpuMat& v, GpuMat* err = 0);\r
1790 \r
1791     void releaseMemory();\r
1792 \r
1793     Size winSize;\r
1794     int maxLevel;\r
1795     int iters;\r
1796     bool useInitialFlow;\r
1797 \r
1798 private:\r
1799     vector<GpuMat> prevPyr_;\r
1800     vector<GpuMat> nextPyr_;\r
1801 \r
1802     GpuMat buf_;\r
1803 \r
1804     GpuMat uPyr_[2];\r
1805     GpuMat vPyr_[2];\r
1806 \r
1807     bool isDeviceArch11_;\r
1808 };\r
1809 \r
1810 \r
1811 class CV_EXPORTS FarnebackOpticalFlow\r
1812 {\r
1813 public:\r
1814     FarnebackOpticalFlow()\r
1815     {\r
1816         numLevels = 5;\r
1817         pyrScale = 0.5;\r
1818         fastPyramids = false;\r
1819         winSize = 13;\r
1820         numIters = 10;\r
1821         polyN = 5;\r
1822         polySigma = 1.1;\r
1823         flags = 0;\r
1824         isDeviceArch11_ = !DeviceInfo().supports(FEATURE_SET_COMPUTE_12);\r
1825     }\r
1826 \r
1827     int numLevels;\r
1828     double pyrScale;\r
1829     bool fastPyramids;\r
1830     int winSize;\r
1831     int numIters;\r
1832     int polyN;\r
1833     double polySigma;\r
1834     int flags;\r
1835 \r
1836     void operator ()(const GpuMat &frame0, const GpuMat &frame1, GpuMat &flowx, GpuMat &flowy, Stream &s = Stream::Null());\r
1837 \r
1838     void releaseMemory()\r
1839     {\r
1840         frames_[0].release();\r
1841         frames_[1].release();\r
1842         pyrLevel_[0].release();\r
1843         pyrLevel_[1].release();\r
1844         M_.release();\r
1845         bufM_.release();\r
1846         R_[0].release();\r
1847         R_[1].release();\r
1848         blurredFrame_[0].release();\r
1849         blurredFrame_[1].release();\r
1850         pyramid0_.clear();\r
1851         pyramid1_.clear();\r
1852     }\r
1853 \r
1854 private:\r
1855     void prepareGaussian(\r
1856             int n, double sigma, float *g, float *xg, float *xxg,\r
1857             double &ig11, double &ig03, double &ig33, double &ig55);\r
1858 \r
1859     void setPolynomialExpansionConsts(int n, double sigma);\r
1860 \r
1861     void updateFlow_boxFilter(\r
1862             const GpuMat& R0, const GpuMat& R1, GpuMat& flowx, GpuMat &flowy,\r
1863             GpuMat& M, GpuMat &bufM, int blockSize, bool updateMatrices, Stream streams[]);\r
1864 \r
1865     void updateFlow_gaussianBlur(\r
1866             const GpuMat& R0, const GpuMat& R1, GpuMat& flowx, GpuMat& flowy,\r
1867             GpuMat& M, GpuMat &bufM, int blockSize, bool updateMatrices, Stream streams[]);\r
1868 \r
1869     GpuMat frames_[2];\r
1870     GpuMat pyrLevel_[2], M_, bufM_, R_[2], blurredFrame_[2];\r
1871     std::vector<GpuMat> pyramid0_, pyramid1_;\r
1872 \r
1873     bool isDeviceArch11_;\r
1874 };\r
1875 \r
1876 \r
1877 //! Interpolate frames (images) using provided optical flow (displacement field).\r
1878 //! frame0   - frame 0 (32-bit floating point images, single channel)\r
1879 //! frame1   - frame 1 (the same type and size)\r
1880 //! fu       - forward horizontal displacement\r
1881 //! fv       - forward vertical displacement\r
1882 //! bu       - backward horizontal displacement\r
1883 //! bv       - backward vertical displacement\r
1884 //! pos      - new frame position\r
1885 //! newFrame - new frame\r
1886 //! buf      - temporary buffer, will have width x 6*height size, CV_32FC1 type and contain 6 GpuMat;\r
1887 //!            occlusion masks            0, occlusion masks            1,\r
1888 //!            interpolated forward flow  0, interpolated forward flow  1,\r
1889 //!            interpolated backward flow 0, interpolated backward flow 1\r
1890 //!\r
1891 CV_EXPORTS void interpolateFrames(const GpuMat& frame0, const GpuMat& frame1,\r
1892                                   const GpuMat& fu, const GpuMat& fv,\r
1893                                   const GpuMat& bu, const GpuMat& bv,\r
1894                                   float pos, GpuMat& newFrame, GpuMat& buf,\r
1895                                   Stream& stream = Stream::Null());\r
1896 \r
1897 CV_EXPORTS void createOpticalFlowNeedleMap(const GpuMat& u, const GpuMat& v, GpuMat& vertex, GpuMat& colors);\r
1898 \r
1899 \r
1900 //////////////////////// Background/foreground segmentation ////////////////////////\r
1901 \r
1902 // Foreground Object Detection from Videos Containing Complex Background.\r
1903 // Liyuan Li, Weimin Huang, Irene Y.H. Gu, and Qi Tian.\r
1904 // ACM MM2003 9p\r
1905 class CV_EXPORTS FGDStatModel\r
1906 {\r
1907 public:\r
1908     struct CV_EXPORTS Params\r
1909     {\r
1910         int Lc;  // Quantized levels per 'color' component. Power of two, typically 32, 64 or 128.\r
1911         int N1c; // Number of color vectors used to model normal background color variation at a given pixel.\r
1912         int N2c; // Number of color vectors retained at given pixel.  Must be > N1c, typically ~ 5/3 of N1c.\r
1913         // Used to allow the first N1c vectors to adapt over time to changing background.\r
1914 \r
1915         int Lcc;  // Quantized levels per 'color co-occurrence' component.  Power of two, typically 16, 32 or 64.\r
1916         int N1cc; // Number of color co-occurrence vectors used to model normal background color variation at a given pixel.\r
1917         int N2cc; // Number of color co-occurrence vectors retained at given pixel.  Must be > N1cc, typically ~ 5/3 of N1cc.\r
1918         // Used to allow the first N1cc vectors to adapt over time to changing background.\r
1919 \r
1920         bool is_obj_without_holes; // If TRUE we ignore holes within foreground blobs. Defaults to TRUE.\r
1921         int perform_morphing;     // Number of erode-dilate-erode foreground-blob cleanup iterations.\r
1922         // These erase one-pixel junk blobs and merge almost-touching blobs. Default value is 1.\r
1923 \r
1924         float alpha1; // How quickly we forget old background pixel values seen. Typically set to 0.1.\r
1925         float alpha2; // "Controls speed of feature learning". Depends on T. Typical value circa 0.005.\r
1926         float alpha3; // Alternate to alpha2, used (e.g.) for quicker initial convergence. Typical value 0.1.\r
1927 \r
1928         float delta;   // Affects color and color co-occurrence quantization, typically set to 2.\r
1929         float T;       // A percentage value which determines when new features can be recognized as new background. (Typically 0.9).\r
1930         float minArea; // Discard foreground blobs whose bounding box is smaller than this threshold.\r
1931 \r
1932         // default Params\r
1933         Params();\r
1934     };\r
1935 \r
1936     // out_cn - channels count in output result (can be 3 or 4)\r
1937     // 4-channels require more memory, but a bit faster\r
1938     explicit FGDStatModel(int out_cn = 3);\r
1939     explicit FGDStatModel(const cv::gpu::GpuMat& firstFrame, const Params& params = Params(), int out_cn = 3);\r
1940 \r
1941     ~FGDStatModel();\r
1942 \r
1943     void create(const cv::gpu::GpuMat& firstFrame, const Params& params = Params());\r
1944     void release();\r
1945 \r
1946     int update(const cv::gpu::GpuMat& curFrame);\r
1947 \r
1948     //8UC3 or 8UC4 reference background image\r
1949     cv::gpu::GpuMat background;\r
1950 \r
1951     //8UC1 foreground image\r
1952     cv::gpu::GpuMat foreground;\r
1953 \r
1954     std::vector< std::vector<cv::Point> > foreground_regions;\r
1955 \r
1956 private:\r
1957     FGDStatModel(const FGDStatModel&);\r
1958     FGDStatModel& operator=(const FGDStatModel&);\r
1959 \r
1960     class Impl;\r
1961     std::auto_ptr<Impl> impl_;\r
1962 };\r
1963 \r
1964 /*!\r
1965  Gaussian Mixture-based Backbround/Foreground Segmentation Algorithm\r
1966 \r
1967  The class implements the following algorithm:\r
1968  "An improved adaptive background mixture model for real-time tracking with shadow detection"\r
1969  P. KadewTraKuPong and R. Bowden,\r
1970  Proc. 2nd European Workshp on Advanced Video-Based Surveillance Systems, 2001."\r
1971  http://personal.ee.surrey.ac.uk/Personal/R.Bowden/publications/avbs01/avbs01.pdf\r
1972 */\r
1973 class CV_EXPORTS MOG_GPU\r
1974 {\r
1975 public:\r
1976     //! the default constructor\r
1977     MOG_GPU(int nmixtures = -1);\r
1978 \r
1979     //! re-initiaization method\r
1980     void initialize(Size frameSize, int frameType);\r
1981 \r
1982     //! the update operator\r
1983     void operator()(const GpuMat& frame, GpuMat& fgmask, float learningRate = 0.0f, Stream& stream = Stream::Null());\r
1984 \r
1985     //! computes a background image which are the mean of all background gaussians\r
1986     void getBackgroundImage(GpuMat& backgroundImage, Stream& stream = Stream::Null()) const;\r
1987 \r
1988     //! releases all inner buffers\r
1989     void release();\r
1990 \r
1991     int history;\r
1992     float varThreshold;\r
1993     float backgroundRatio;\r
1994     float noiseSigma;\r
1995 \r
1996 private:\r
1997     int nmixtures_;\r
1998 \r
1999     Size frameSize_;\r
2000     int frameType_;\r
2001     int nframes_;\r
2002 \r
2003     GpuMat weight_;\r
2004     GpuMat sortKey_;\r
2005     GpuMat mean_;\r
2006     GpuMat var_;\r
2007 };\r
2008 \r
2009 /*!\r
2010  The class implements the following algorithm:\r
2011  "Improved adaptive Gausian mixture model for background subtraction"\r
2012  Z.Zivkovic\r
2013  International Conference Pattern Recognition, UK, August, 2004.\r
2014  http://www.zoranz.net/Publications/zivkovic2004ICPR.pdf\r
2015 */\r
2016 class CV_EXPORTS MOG2_GPU\r
2017 {\r
2018 public:\r
2019     //! the default constructor\r
2020     MOG2_GPU(int nmixtures = -1);\r
2021 \r
2022     //! re-initiaization method\r
2023     void initialize(Size frameSize, int frameType);\r
2024 \r
2025     //! the update operator\r
2026     void operator()(const GpuMat& frame, GpuMat& fgmask, float learningRate = -1.0f, Stream& stream = Stream::Null());\r
2027 \r
2028     //! computes a background image which are the mean of all background gaussians\r
2029     void getBackgroundImage(GpuMat& backgroundImage, Stream& stream = Stream::Null()) const;\r
2030 \r
2031     //! releases all inner buffers\r
2032     void release();\r
2033 \r
2034     // parameters\r
2035     // you should call initialize after parameters changes\r
2036 \r
2037     int history;\r
2038 \r
2039     //! here it is the maximum allowed number of mixture components.\r
2040     //! Actual number is determined dynamically per pixel\r
2041     float varThreshold;\r
2042     // threshold on the squared Mahalanobis distance to decide if it is well described\r
2043     // by the background model or not. Related to Cthr from the paper.\r
2044     // This does not influence the update of the background. A typical value could be 4 sigma\r
2045     // and that is varThreshold=4*4=16; Corresponds to Tb in the paper.\r
2046 \r
2047     /////////////////////////\r
2048     // less important parameters - things you might change but be carefull\r
2049     ////////////////////////\r
2050 \r
2051     float backgroundRatio;\r
2052     // corresponds to fTB=1-cf from the paper\r
2053     // TB - threshold when the component becomes significant enough to be included into\r
2054     // the background model. It is the TB=1-cf from the paper. So I use cf=0.1 => TB=0.\r
2055     // For alpha=0.001 it means that the mode should exist for approximately 105 frames before\r
2056     // it is considered foreground\r
2057     // float noiseSigma;\r
2058     float varThresholdGen;\r
2059 \r
2060     //correspondts to Tg - threshold on the squared Mahalan. dist. to decide\r
2061     //when a sample is close to the existing components. If it is not close\r
2062     //to any a new component will be generated. I use 3 sigma => Tg=3*3=9.\r
2063     //Smaller Tg leads to more generated components and higher Tg might make\r
2064     //lead to small number of components but they can grow too large\r
2065     float fVarInit;\r
2066     float fVarMin;\r
2067     float fVarMax;\r
2068 \r
2069     //initial variance  for the newly generated components.\r
2070     //It will will influence the speed of adaptation. A good guess should be made.\r
2071     //A simple way is to estimate the typical standard deviation from the images.\r
2072     //I used here 10 as a reasonable value\r
2073     // min and max can be used to further control the variance\r
2074     float fCT; //CT - complexity reduction prior\r
2075     //this is related to the number of samples needed to accept that a component\r
2076     //actually exists. We use CT=0.05 of all the samples. By setting CT=0 you get\r
2077     //the standard Stauffer&Grimson algorithm (maybe not exact but very similar)\r
2078 \r
2079     //shadow detection parameters\r
2080     bool bShadowDetection; //default 1 - do shadow detection\r
2081     unsigned char nShadowDetection; //do shadow detection - insert this value as the detection result - 127 default value\r
2082     float fTau;\r
2083     // Tau - shadow threshold. The shadow is detected if the pixel is darker\r
2084     //version of the background. Tau is a threshold on how much darker the shadow can be.\r
2085     //Tau= 0.5 means that if pixel is more than 2 times darker then it is not shadow\r
2086     //See: Prati,Mikic,Trivedi,Cucchiarra,"Detecting Moving Shadows...",IEEE PAMI,2003.\r
2087 \r
2088 private:\r
2089     int nmixtures_;\r
2090 \r
2091     Size frameSize_;\r
2092     int frameType_;\r
2093     int nframes_;\r
2094 \r
2095     GpuMat weight_;\r
2096     GpuMat variance_;\r
2097     GpuMat mean_;\r
2098 \r
2099     GpuMat bgmodelUsedModes_; //keep track of number of modes per pixel\r
2100 };\r
2101 \r
2102 /*!\r
2103  * The class implements the following algorithm:\r
2104  * "ViBe: A universal background subtraction algorithm for video sequences"\r
2105  * O. Barnich and M. Van D Roogenbroeck\r
2106  * IEEE Transactions on Image Processing, 20(6) :1709-1724, June 2011\r
2107  */\r
2108 class CV_EXPORTS VIBE_GPU\r
2109 {\r
2110 public:\r
2111     //! the default constructor\r
2112     explicit VIBE_GPU(unsigned long rngSeed = 1234567);\r
2113 \r
2114     //! re-initiaization method\r
2115     void initialize(const GpuMat& firstFrame, Stream& stream = Stream::Null());\r
2116 \r
2117     //! the update operator\r
2118     void operator()(const GpuMat& frame, GpuMat& fgmask, Stream& stream = Stream::Null());\r
2119 \r
2120     //! releases all inner buffers\r
2121     void release();\r
2122 \r
2123     int nbSamples;         // number of samples per pixel\r
2124     int reqMatches;        // #_min\r
2125     int radius;            // R\r
2126     int subsamplingFactor; // amount of random subsampling\r
2127 \r
2128 private:\r
2129     Size frameSize_;\r
2130 \r
2131     unsigned long rngSeed_;\r
2132     GpuMat randStates_;\r
2133 \r
2134     GpuMat samples_;\r
2135 };\r
2136 \r
2137 /**\r
2138  * Background Subtractor module. Takes a series of images and returns a sequence of mask (8UC1)\r
2139  * images of the same size, where 255 indicates Foreground and 0 represents Background.\r
2140  * This class implements an algorithm described in "Visual Tracking of Human Visitors under\r
2141  * Variable-Lighting Conditions for a Responsive Audio Art Installation," A. Godbehere,\r
2142  * A. Matsukawa, K. Goldberg, American Control Conference, Montreal, June 2012.\r
2143  */\r
2144 class CV_EXPORTS GMG_GPU\r
2145 {\r
2146 public:\r
2147     GMG_GPU();\r
2148 \r
2149     /**\r
2150      * Validate parameters and set up data structures for appropriate frame size.\r
2151      * @param frameSize Input frame size\r
2152      * @param min       Minimum value taken on by pixels in image sequence. Usually 0\r
2153      * @param max       Maximum value taken on by pixels in image sequence. e.g. 1.0 or 255\r
2154      */\r
2155     void initialize(Size frameSize, float min = 0.0f, float max = 255.0f);\r
2156 \r
2157     /**\r
2158      * Performs single-frame background subtraction and builds up a statistical background image\r
2159      * model.\r
2160      * @param frame        Input frame\r
2161      * @param fgmask       Output mask image representing foreground and background pixels\r
2162      * @param stream       Stream for the asynchronous version\r
2163      */\r
2164     void operator ()(const GpuMat& frame, GpuMat& fgmask, float learningRate = -1.0f, Stream& stream = Stream::Null());\r
2165 \r
2166     //! Releases all inner buffers\r
2167     void release();\r
2168 \r
2169     //! Total number of distinct colors to maintain in histogram.\r
2170     int maxFeatures;\r
2171 \r
2172     //! Set between 0.0 and 1.0, determines how quickly features are "forgotten" from histograms.\r
2173     float learningRate;\r
2174 \r
2175     //! Number of frames of video to use to initialize histograms.\r
2176     int numInitializationFrames;\r
2177 \r
2178     //! Number of discrete levels in each channel to be used in histograms.\r
2179     int quantizationLevels;\r
2180 \r
2181     //! Prior probability that any given pixel is a background pixel. A sensitivity parameter.\r
2182     float backgroundPrior;\r
2183 \r
2184     //! Value above which pixel is determined to be FG.\r
2185     float decisionThreshold;\r
2186 \r
2187     //! Smoothing radius, in pixels, for cleaning up FG image.\r
2188     int smoothingRadius;\r
2189 \r
2190     //! Perform background model update.\r
2191     bool updateBackgroundModel;\r
2192 \r
2193 private:\r
2194     float maxVal_, minVal_;\r
2195 \r
2196     Size frameSize_;\r
2197 \r
2198     int frameNum_;\r
2199 \r
2200     GpuMat nfeatures_;\r
2201     GpuMat colors_;\r
2202     GpuMat weights_;\r
2203 \r
2204     Ptr<FilterEngine_GPU> boxFilter_;\r
2205     GpuMat buf_;\r
2206 };\r
2207 \r
2208 ////////////////////////////////// Video Encoding //////////////////////////////////\r
2209 \r
2210 // Works only under Windows\r
2211 // Supports olny H264 video codec and AVI files\r
2212 class CV_EXPORTS VideoWriter_GPU\r
2213 {\r
2214 public:\r
2215     struct EncoderParams;\r
2216 \r
2217     // Callbacks for video encoder, use it if you want to work with raw video stream\r
2218     class EncoderCallBack;\r
2219 \r
2220     enum SurfaceFormat\r
2221     {\r
2222         SF_UYVY = 0,\r
2223         SF_YUY2,\r
2224         SF_YV12,\r
2225         SF_NV12,\r
2226         SF_IYUV,\r
2227         SF_BGR,\r
2228         SF_GRAY = SF_BGR\r
2229     };\r
2230 \r
2231     VideoWriter_GPU();\r
2232     VideoWriter_GPU(const std::string& fileName, cv::Size frameSize, double fps, SurfaceFormat format = SF_BGR);\r
2233     VideoWriter_GPU(const std::string& fileName, cv::Size frameSize, double fps, const EncoderParams& params, SurfaceFormat format = SF_BGR);\r
2234     VideoWriter_GPU(const cv::Ptr<EncoderCallBack>& encoderCallback, cv::Size frameSize, double fps, SurfaceFormat format = SF_BGR);\r
2235     VideoWriter_GPU(const cv::Ptr<EncoderCallBack>& encoderCallback, cv::Size frameSize, double fps, const EncoderParams& params, SurfaceFormat format = SF_BGR);\r
2236     ~VideoWriter_GPU();\r
2237 \r
2238     // all methods throws cv::Exception if error occurs\r
2239     void open(const std::string& fileName, cv::Size frameSize, double fps, SurfaceFormat format = SF_BGR);\r
2240     void open(const std::string& fileName, cv::Size frameSize, double fps, const EncoderParams& params, SurfaceFormat format = SF_BGR);\r
2241     void open(const cv::Ptr<EncoderCallBack>& encoderCallback, cv::Size frameSize, double fps, SurfaceFormat format = SF_BGR);\r
2242     void open(const cv::Ptr<EncoderCallBack>& encoderCallback, cv::Size frameSize, double fps, const EncoderParams& params, SurfaceFormat format = SF_BGR);\r
2243 \r
2244     bool isOpened() const;\r
2245     void close();\r
2246 \r
2247     void write(const cv::gpu::GpuMat& image, bool lastFrame = false);\r
2248 \r
2249     struct CV_EXPORTS EncoderParams\r
2250     {\r
2251         int       P_Interval;      //    NVVE_P_INTERVAL,\r
2252         int       IDR_Period;      //    NVVE_IDR_PERIOD,\r
2253         int       DynamicGOP;      //    NVVE_DYNAMIC_GOP,\r
2254         int       RCType;          //    NVVE_RC_TYPE,\r
2255         int       AvgBitrate;      //    NVVE_AVG_BITRATE,\r
2256         int       PeakBitrate;     //    NVVE_PEAK_BITRATE,\r
2257         int       QP_Level_Intra;  //    NVVE_QP_LEVEL_INTRA,\r
2258         int       QP_Level_InterP; //    NVVE_QP_LEVEL_INTER_P,\r
2259         int       QP_Level_InterB; //    NVVE_QP_LEVEL_INTER_B,\r
2260         int       DeblockMode;     //    NVVE_DEBLOCK_MODE,\r
2261         int       ProfileLevel;    //    NVVE_PROFILE_LEVEL,\r
2262         int       ForceIntra;      //    NVVE_FORCE_INTRA,\r
2263         int       ForceIDR;        //    NVVE_FORCE_IDR,\r
2264         int       ClearStat;       //    NVVE_CLEAR_STAT,\r
2265         int       DIMode;          //    NVVE_SET_DEINTERLACE,\r
2266         int       Presets;         //    NVVE_PRESETS,\r
2267         int       DisableCabac;    //    NVVE_DISABLE_CABAC,\r
2268         int       NaluFramingType; //    NVVE_CONFIGURE_NALU_FRAMING_TYPE\r
2269         int       DisableSPSPPS;   //    NVVE_DISABLE_SPS_PPS\r
2270 \r
2271         EncoderParams();\r
2272         explicit EncoderParams(const std::string& configFile);\r
2273 \r
2274         void load(const std::string& configFile);\r
2275         void save(const std::string& configFile) const;\r
2276     };\r
2277 \r
2278     EncoderParams getParams() const;\r
2279 \r
2280     class CV_EXPORTS EncoderCallBack\r
2281     {\r
2282     public:\r
2283         enum PicType\r
2284         {\r
2285             IFRAME = 1,\r
2286             PFRAME = 2,\r
2287             BFRAME = 3\r
2288         };\r
2289 \r
2290         virtual ~EncoderCallBack() {}\r
2291 \r
2292         // callback function to signal the start of bitstream that is to be encoded\r
2293         // must return pointer to buffer\r
2294         virtual uchar* acquireBitStream(int* bufferSize) = 0;\r
2295 \r
2296         // callback function to signal that the encoded bitstream is ready to be written to file\r
2297         virtual void releaseBitStream(unsigned char* data, int size) = 0;\r
2298 \r
2299         // callback function to signal that the encoding operation on the frame has started\r
2300         virtual void onBeginFrame(int frameNumber, PicType picType) = 0;\r
2301 \r
2302         // callback function signals that the encoding operation on the frame has finished\r
2303         virtual void onEndFrame(int frameNumber, PicType picType) = 0;\r
2304     };\r
2305 \r
2306 private:\r
2307     VideoWriter_GPU(const VideoWriter_GPU&);\r
2308     VideoWriter_GPU& operator=(const VideoWriter_GPU&);\r
2309 \r
2310     class Impl;\r
2311     std::auto_ptr<Impl> impl_;\r
2312 };\r
2313 \r
2314 \r
2315 ////////////////////////////////// Video Decoding //////////////////////////////////////////\r
2316 \r
2317 namespace detail\r
2318 {\r
2319     class FrameQueue;\r
2320     class VideoParser;\r
2321 }\r
2322 \r
2323 class CV_EXPORTS VideoReader_GPU\r
2324 {\r
2325 public:\r
2326     enum Codec\r
2327     {\r
2328         MPEG1 = 0,\r
2329         MPEG2,\r
2330         MPEG4,\r
2331         VC1,\r
2332         H264,\r
2333         JPEG,\r
2334         H264_SVC,\r
2335         H264_MVC,\r
2336 \r
2337         Uncompressed_YUV420 = (('I'<<24)|('Y'<<16)|('U'<<8)|('V')),   // Y,U,V (4:2:0)\r
2338         Uncompressed_YV12   = (('Y'<<24)|('V'<<16)|('1'<<8)|('2')),   // Y,V,U (4:2:0)\r
2339         Uncompressed_NV12   = (('N'<<24)|('V'<<16)|('1'<<8)|('2')),   // Y,UV  (4:2:0)\r
2340         Uncompressed_YUYV   = (('Y'<<24)|('U'<<16)|('Y'<<8)|('V')),   // YUYV/YUY2 (4:2:2)\r
2341         Uncompressed_UYVY   = (('U'<<24)|('Y'<<16)|('V'<<8)|('Y')),   // UYVY (4:2:2)\r
2342     };\r
2343 \r
2344     enum ChromaFormat\r
2345     {\r
2346         Monochrome=0,\r
2347         YUV420,\r
2348         YUV422,\r
2349         YUV444,\r
2350     };\r
2351 \r
2352     struct FormatInfo\r
2353     {\r
2354         Codec codec;\r
2355         ChromaFormat chromaFormat;\r
2356         int width;\r
2357         int height;\r
2358     };\r
2359 \r
2360     class VideoSource;\r
2361 \r
2362     VideoReader_GPU();\r
2363     explicit VideoReader_GPU(const std::string& filename);\r
2364     explicit VideoReader_GPU(const cv::Ptr<VideoSource>& source);\r
2365 \r
2366     ~VideoReader_GPU();\r
2367 \r
2368     void open(const std::string& filename);\r
2369     void open(const cv::Ptr<VideoSource>& source);\r
2370     bool isOpened() const;\r
2371 \r
2372     void close();\r
2373 \r
2374     bool read(GpuMat& image);\r
2375 \r
2376     FormatInfo format() const;\r
2377     void dumpFormat(std::ostream& st);\r
2378 \r
2379     class CV_EXPORTS VideoSource\r
2380     {\r
2381     public:\r
2382         VideoSource() : frameQueue_(0), videoParser_(0) {}\r
2383         virtual ~VideoSource() {}\r
2384 \r
2385         virtual FormatInfo format() const = 0;\r
2386         virtual void start() = 0;\r
2387         virtual void stop() = 0;\r
2388         virtual bool isStarted() const = 0;\r
2389         virtual bool hasError() const = 0;\r
2390 \r
2391         void setFrameQueue(detail::FrameQueue* frameQueue) { frameQueue_ = frameQueue; }\r
2392         void setVideoParser(detail::VideoParser* videoParser) { videoParser_ = videoParser; }\r
2393 \r
2394     protected:\r
2395         bool parseVideoData(const uchar* data, size_t size, bool endOfStream = false);\r
2396 \r
2397     private:\r
2398         VideoSource(const VideoSource&);\r
2399         VideoSource& operator =(const VideoSource&);\r
2400 \r
2401         detail::FrameQueue* frameQueue_;\r
2402         detail::VideoParser* videoParser_;\r
2403     };\r
2404 \r
2405 private:\r
2406     VideoReader_GPU(const VideoReader_GPU&);\r
2407     VideoReader_GPU& operator =(const VideoReader_GPU&);\r
2408 \r
2409     class Impl;\r
2410     std::auto_ptr<Impl> impl_;\r
2411 };\r
2412 \r
2413 //! removes points (CV_32FC2, single row matrix) with zero mask value\r
2414 CV_EXPORTS void compactPoints(GpuMat &points0, GpuMat &points1, const GpuMat &mask);\r
2415 \r
2416 CV_EXPORTS void calcWobbleSuppressionMaps(\r
2417         int left, int idx, int right, Size size, const Mat &ml, const Mat &mr,\r
2418         GpuMat &mapx, GpuMat &mapy);\r
2419 \r
2420 } // namespace gpu\r
2421 \r
2422 } // namespace cv\r
2423 \r
2424 #endif /* __OPENCV_GPU_HPP__ */\r