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
		}
	}
	
}