压缩跟踪（CT）代码详细学习_模块2(特征的提取和计算)

    这个部分学习的是得到样本以后，如何进行Haar-like特征的提取和计算。详细的看注释吧。有问题我们讨论下吧（我初学者，以前学硬件的）。

// 图像的特征处理相关函数头文件

#pragma once

#include <opencv2\opencv.hpp>
#include <vector>

using namespace std;
using namespace cv;

class FeatureHandle
{
public:
FeatureHandle(void);
~FeatureHandle(void);
int featureMinNum;//每一个haar-like特征中含有的矩形框最少数目
int featureMaxNum;//最多数目
int featureNum;//每个patch块的haar-like特征的总数, 也就是弱分类器个数???
vector<vector<Rect>> features;//特征，使用一个向量来存储的，向量里面也是向量，每一个向量里面是矩形框
vector<vector<float>> featuresWeight;

void haarFeature(Rect& _objectPatch, int _featureNum);
void getFeatureValue(Mat& _imageIntegral, vector<Rect>& _sampleBox, Mat& _sampleFeatureValue);
};

//这是计算出图像特征的函数
#include "FeatureHandle.h"
#include <math.h>
#include<iostream>

FeatureHandle::FeatureHandle()
{
int featureMinNum=2;
int featureMaxNum=4;
int featureNum=50;
}
FeatureHandle::~FeatureHandle()
{
}
void FeatureHandle::haarFeature(Rect& _objectPatch, int _featureNum)//_featureNum形参，实验中就是featureNum，50
// _objectPatch是待处理的patch块，类型是 Rect
{
features=vector<vector<Rect>>(_featureNum,vector<Rect>());//指定特征中的个数 50
featuresWeight=vector<vector<float>>(_featureNum, vector<float>());
//接下来要做的就是将Rect放入到这个特征向量中，所以我们要定义Rect型的数据
Rect rectTemp;//矩形框有xy坐标以及height，width的属性
float weightTemp;
//同时我们在2到3之间随机的产生每一个haar-like特征中的矩形的个数
int numRect;

for (int i=0; i<_featureNum; i++)
{
RNG rng;//随机数生成器
//产生1到3之间的随机整数。
numRect=cvFloor(rng.uniform((double)featureMinNum,(double)featureMaxNum));
for(int j=0; j<numRect;j++)
{
//当我们得到这50个harr-like特征中每一个中含有的矩形框的数目以后，我们在这个patch块里面随机的
//产生矩形框。但是在产生矩形框的时候要注意范围应该不要太接近边框，因此设置到边框2到3个像素的距离
rectTemp.x=cvFloor(rng.uniform(0.0,(double)(_objectPatch.width-3)));
rectTemp.y=cvFloor(rng.uniform(0.0,(double)(_objectPatch.height-3)));
rectTemp.width=cvFloor(rng.uniform(0.0,(double)(_objectPatch.width-rectTemp.x-2)));
rectTemp.height=cvFloor(rng.uniform(0.0,(double)(_objectPatch.height-rectTemp.y-2)));
//终于生成好模板了，接下来将它压入到第 i 个特征的向量中保存。但是注意这里的xy是相当于patch块的位置
//而不是相对于整个image的位置
features[i].push_back(rectTemp);
//同时生成各个矩形的权重
weightTemp = (float)pow(-1.0, cvFloor(rng.uniform(0.0, 2.0))) / sqrt(float(numRect));
featuresWeight[i].push_back(weightTemp);
}

}

}
void FeatureHandle::getFeatureValue(Mat& _imageIntegral, vector<Rect>& _sampleRect, Mat& _sampleFeatureValue)
// 其中的 _imageIntegral是图片的积分图的值，通过函数integral(_frame, _imageIntegral, CV_32F);这里为了减少输入，未将它写入
{
int sampleRectSize= _sampleRect.size();//得到样本的个数
_sampleFeatureValue.create(featureNum, sampleRectSize,CV_32F );//_sampleFeatureValue的数据类型是cvMat，这里构造的是一个
//featureNum*sampleRectSize的矩阵,     通过_sampleFeatureValue.at<float>(i, j)对里面的元素进行操作。
float tempValue;//用来暂时保存计算出来的haar-like特征的值。

int xMin;//样本的特征矩形框的左上角和右下角的点的坐标
int xMax;
int yMin;
int yMax;

for( int i=0; i<featureNum; i++)//对于每一种特征
{
for ( int j=0; j<sampleRectSize; j++)//在一种特征下，对于每一个样本进行如下操作
{
tempValue=0.0f;
for ( size_t k=0; k < features[i].size(); k++ )
{
xMin =_sampleRect[j].x+features[i][k].x;//样本的特征矩形框的左上角点的坐标
yMin=_sampleRect[j].y+features[i][k].y;
xMax = _sampleRect[j].x+features[i][k].x+features[i][k].width;//样本的特征矩形框右下角的点的坐标
yMax =_sampleRect[j].y+features[i][k].y+features[i][k].height;
tempValue += featuresWeight[i][k]*( _imageIntegral.at<float>(xMin,yMin)
+ _imageIntegral.at<float>(xMax,yMax) -_imageIntegral.at<float>(xMin,yMax)
- _imageIntegral.at<float>(xMax,yMin));//通过积分图像计算出矩形框内的加权的灰度值
}
_sampleFeatureValue.at <float>(i,j) = tempValue;//存储数据
}
}

}