压缩跟踪Compressive Tracking源码理解

在前面一个介绍《Real-Time Compressive Tracking》这个paper的感知跟踪算法的博文中，我说过后面会学习下它的C++源码，但是当时因为有些事，所以就没有看了。今天，上到博客，看到一朋友在这个博文中评论说，有个地方不太明白。然后，觉得该履行自己的承诺，去学习学习源码了。所以刚才就花了几个小时去看了C++的源码，做了详细的注释。希望对大家有点帮助。在这也感谢这位朋友。当然，因为自己也刚刚接触这个领域，所以也有很多地方我也看不懂或者理解错了，也渴望大家的指导。

      下面是这个算法的工程网站：里面包含了上面这篇论文、Matlab和C++版本的代码，还有测试数据、demo等。

            http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm

       之前自己学习这个《Real-Time Compressive Tracking》介绍的感知跟踪算法：

            http://blog.csdn.net/zouxy09/article/details/8118360

 

       非常感谢Kaihua等的paper《Real-Time Compressive Tracking》，非常感谢它的C++代码的编写和贡献者Yang Xian。

       这个C++代码编写的非常简洁、清晰和漂亮。另外，经原作者提示，代码注释中不明白的地方（我打问号的地方）可以看本博文的原作者的评论。非常感谢Yang Xian的指导。

       好了，废话不多说了。下面是自己注释的源码。因为代码编写的流程非常清晰，所以我就不总结流程了。这个工程包含三个文件：CompressiveTracker.cpp、CompressiveTracker.h和RunTracker.cpp，其中因为RunTracker.cpp和TLD算法中的run_tld.cpp差不多，我这里就不注释了，大家可以参考我之前的：

        TLD（Tracking-Learning-Detection）学习与源码理解之（四）

            http://blog.csdn.net/zouxy09/article/details/7893032

 

下面是具体的源码：

CompressiveTracker.h

 /************************************************************************
 * File: CompressiveTracker.h
 * Brief: C++ demo for paper: Kaihua Zhang, Lei Zhang, Ming-Hsuan Yang,"Real-Time Compressive Tracking," ECCV 2012.
 * Version: 1.0
 * Author: Yang Xian
 * Email: [email protected]
 * Date: 2012/08/03
 * History:
 * Revised by Kaihua Zhang on 14/8/2012
 * Email: [email protected]
 * Homepage: http://www4.comp.polyu.edu.hk/~cskhzhang/
 ************************************************************************/
 //这是一个比较常用的C/C++杂注，只要在头文件的最开始加入这条杂注，就能够保证头文件只被插入和编译一次
 #pragma once
 #include <opencv2/opencv.hpp>
 #include <vector>

 using std::vector;
 using namespace cv;
 //---------------------------------------------------
 class CompressiveTracker
 {
 public:
     CompressiveTracker(void);
     ~CompressiveTracker(void);

 private:
     int featureMinNumRect;
     int featureMaxNumRect;
     int featureNum;  //每个box的harr特征个数（也就是弱分类器个数）
     vector<vector<Rect>> features;
     vector<vector<float>> featuresWeight;
     int rOuterPositive; //在离上一帧跟踪到的目标位置的距离小于rOuterPositive的范围内采集 正样本
     vector<Rect> samplePositiveBox;  //采集的正样本box集
     vector<Rect> sampleNegativeBox;  //采集的负样本box集
     int rSearchWindow;   //扫描窗口的大小，或者说检测box的大小
     Mat imageIntegral;   //图像的积分图
     Mat samplePositiveFeatureValue;  //采集的正样本的harr特征值
     Mat sampleNegativeFeatureValue;  //采集的负样本的harr特征值
     //对每个样本z（m维向量），它的低维表示是v（n维向量，n远小于m）。假定v中的各元素是独立分布的。
     //假定在分类器H(v)中的条件概率p(vi|y=1)和p(vi|y=0)属于高斯分布，并且可以用以下四个参数来描述：
     //分别是描述正负样本的高斯分布的均值u和方差sigma
     vector<float> muPositive;
     vector<float> sigmaPositive;
     vector<float> muNegative;
     vector<float> sigmaNegative;
     float learnRate;   //学习速率，控制分类器参数更新的步长
     vector<Rect> detectBox;  //需要检测的box
     Mat detectFeatureValue;
     RNG rng;  //随机数

 private:
     void HaarFeature(Rect& _objectBox, int _numFeature);
     void sampleRect(Mat& _image, Rect& _objectBox, float _rInner, float _rOuter, int _maxSampleNum, vector<Rect>& _sampleBox);
     void sampleRect(Mat& _image, Rect& _objectBox, float _srw, vector<Rect>& _sampleBox);
     void getFeatureValue(Mat& _imageIntegral, vector<Rect>& _sampleBox, Mat& _sampleFeatureValue);
     void classifierUpdate(Mat& _sampleFeatureValue, vector<float>& _mu, vector<float>& _sigma, float _learnRate);
     void radioClassifier(vector<float>& _muPos, vector<float>& _sigmaPos, vector<float>& _muNeg, vector<float>& _sigmaNeg,
                         Mat& _sampleFeatureValue, float& _radioMax, int& _radioMaxIndex);
 public:
     void processFrame(Mat& _frame, Rect& _objectBox);
     void init(Mat& _frame, Rect& _objectBox);
 };

CompressiveTracker.cpp

 #include "CompressiveTracker.h"
 #include <math.h>
 #include <iostream>
 using namespace cv;
 using namespace std;

 //------------------------------------------------
 //构造函数，初始化各参数
 CompressiveTracker::CompressiveTracker(void)
 {
     featureMinNumRect = 2;
     featureMaxNumRect = 4;  // number of rectangle from 2 to 4
     featureNum = 50;    // number of all weaker classifiers, i.e,feature pool
     rOuterPositive = 4; // radical scope of positive samples
     rSearchWindow = 25; // size of search window
     muPositive = vector<float>(featureNum, 0.0f);
     muNegative = vector<float>(featureNum, 0.0f);
     sigmaPositive = vector<float>(featureNum, 1.0f);
     sigmaNegative = vector<float>(featureNum, 1.0f);
     learnRate = 0.85f;  // Learning rate parameter
 }

 CompressiveTracker::~CompressiveTracker(void)
 {
 }

 //通过积分图来计算采集到的每一个样本的harr特征，这个特征通过与featuresWeight来相乘
 //就相当于投影到随机测量矩阵中了，也就是进行稀疏表达了。这里不明白的话，可以看下
 //论文中的图二，就比较直观了。
 //还有一点：实际上这里采用的不属于真正的harr特征，我博客中翻译有误。这里计算的是
 //在box中采样得到的不同矩形框的灰度加权求和（当权重是负数的时候就是灰度差）
 //当为了表述方便，我下面都用harr特征来描述。
 //每一个样本有50个harr特征，每一个harr特征是由2到3个随机选择的矩形框来构成的，
 //对这些矩形框的灰度加权求和作为这一个harr特征的特征值。
 void CompressiveTracker::HaarFeature(Rect& _objectBox, int _numFeature)
 /*Description: compute Haar features
   Arguments:
   -_objectBox: [x y width height] object rectangle
   -_numFeature: total number of features. The default is 50.
 */
 {
     //_numFeature是一个样本box的harr特征个数，共50个。而上面说到，
     //每一个harr特征是由2到3个随机选择的矩形框（vector<Rect>()类型）来构成的。
     features = vector<vector<Rect>>(_numFeature, vector<Rect>());
     //每一个反应特征的矩形框对应于一个权重，实际上就是随机测量矩阵中相应的元素，用它来与对应的特征
     //相乘，表示以权重的程度来感知这个特征。换句话说，featuresWeight就是随机测量矩阵。
     //这个矩阵的元素的赋值看论文中的第二部分。或者也可以参考下我的博文：（呵呵，好像博文也没说清楚）
     //http://blog.csdn.net/zouxy09/article/details/8118360
     featuresWeight = vector<vector<float>>(_numFeature, vector<float>());

     //numRect是每个特征的矩形框个数还是论文中说的随机测量矩阵中的s？还有兼备两种功能？
     //论文中说s取2或者3时，矩阵就满足Johnson-Lindenstrauss推论。
     int numRect;
     Rect rectTemp;
     float weightTemp;

     for (int i=0; i<_numFeature; i++)
     {
         //如何生成服从某个概率分布的随机数（或者说 sample）的问题。
         //比如，你想要从一个服从正态分布的随机变量得到 100 个样本，那么肯定抽到接近其均值的样本的
         //概率要大许多，从而导致抽到的样本很多是集中在那附近的。
         //rng.uniform()返回一个从[ 1，2）范围均匀采样的随机数，即在[ 1，2）内服从均匀分布（取不同值概率相同）
         //那么下面的功能就是得到[2，4）范围的随机数，然后用cvFloor返回不大于参数的最大整数值，那要么是2，要么是3。
         numRect = cvFloor(rng.uniform((double)featureMinNumRect, (double)featureMaxNumRect));

         //int c = 1;
         for (int j=0; j<numRect; j++)
         {
             //我在一个box中随机生成一个矩形框，那和你这个box的x和y坐标就无关了，但我必须保证我选择
             //的这个矩形框不会超出你这个box的范围啊，是吧
             //但这里的3和下面的2是啥意思呢？我就不懂了，个人理解是为了避免这个矩形框太靠近box的边缘了
             //要离边缘最小2个像素，不知道这样理解对不对，恳请指导
             rectTemp.x = cvFloor(rng.uniform(0.0, (double)(_objectBox.width - 3)));
             rectTemp.y = cvFloor(rng.uniform(0.0, (double)(_objectBox.height - 3)));
             //cvCeil 返回不小于参数的最小整数值
             rectTemp.width = cvCeil(rng.uniform(0.0, (double)(_objectBox.width - rectTemp.x - 2)));
             rectTemp.height = cvCeil(rng.uniform(0.0, (double)(_objectBox.height - rectTemp.y - 2)));
             //保存得到的特征模板。注意哦，这里的矩形框是相对于box的相对位置哦，不是针对整幅图像的哦
             features[i].push_back(rectTemp);

             //weightTemp = (float)pow(-1.0, c);
             //pow(-1.0, c)也就是-1的c次方，而c随机地取0或者1，也就是说weightTemp是随机的正或者负。
             //随机测量矩阵中，矩阵元素有三种，sqrt(s)、-sqrt(s)和零。为正和为负的概率是相等的，
             //这就是为什么是[2，4）均匀采样的原因，就是取0或者1概率一样。
             //但是这里为什么是sqrt(s)分之一呢？还有什么时候是0呢？论文中是0的概率不是挺大的吗？
             //没有0元素，哪来的稀疏表达和压缩呢？不懂，恳请指导！（当然稀疏表达的另一个好处
             //就是只需保存非零元素。但这里和这个有关系吗？）
             weightTemp = (float)pow(-1.0, cvFloor(rng.uniform(0.0, 2.0))) / sqrt(float(numRect));

             //保存每一个特征模板对应的权重
             featuresWeight[i].push_back(weightTemp);

         }
     }
 }

 //在上一帧跟踪的目标box的周围采集若干正样本和负样本，来初始化或者更新分类器的
 void CompressiveTracker::sampleRect(Mat& _image, Rect& _objectBox, float _rInner, float _rOuter, int _maxSampleNum, vector<Rect>& _sampleBox)
 /* Description: compute the coordinate of positive and negative sample image templates
    Arguments:
    -_image:        processing frame
    -_objectBox:    recent object position
    -_rInner:       inner sampling radius
    -_rOuter:       Outer sampling radius
    -_maxSampleNum: maximal number of sampled images
    -_sampleBox:    Storing the rectangle coordinates of the sampled images.
 */
 {
     int rowsz = _image.rows - _objectBox.height - 1;
     int colsz = _image.cols - _objectBox.width - 1;
     //我们是在上一帧跟踪的目标box的周围采集正样本和负样本的，而这个周围是通过以
     //这个目标为中心的两个圆来表示，这两个圆的半径是_rInner和_rOuter。
     //我们在离上一帧跟踪的目标box的小于_rInner距离的范围内采集正样本，
     //在大于_rOuter距离的范围内采集负样本（论文中还有一个上界，但好像
     //这里没有，其实好像也没什么必要噢）
     float inradsq = _rInner*_rInner;
     float outradsq = _rOuter*_rOuter;

     int dist;

     //这四个是为了防止采集的框超出图像范围的，对采集的box的x和y坐标做限制
     int minrow = max(0,(int)_objectBox.y-(int)_rInner);
     int maxrow = min((int)rowsz-1,(int)_objectBox.y+(int)_rInner);
     int mincol = max(0,(int)_objectBox.x-(int)_rInner);
     int maxcol = min((int)colsz-1,(int)_objectBox.x+(int)_rInner);


     int i = 0;
     //分母相当于x能采集的范围乘以y能采集的范围，也就是可以采集的最大box个数，
     //那么_maxSampleNum（我们需要采集的box的最大个数）肯定得小于或者等于它。
     //那这个prob是干嘛的呢？到下面用到它的地方说
     float prob = ((float)(_maxSampleNum))/(maxrow-minrow+1)/(maxcol-mincol+1);

     int r;
     int c;

     _sampleBox.clear();//important
     Rect rec(0,0,0,0);

     for( r=minrow; r<=(int)maxrow; r++ )
         for( c=mincol; c<=(int)maxcol; c++ ){
             //计算生成的box到目标box的距离
             dist = (_objectBox.y-r)*(_objectBox.y-r) + (_objectBox.x-c)*(_objectBox.x-c);

             //后两个条件是保证距离需要在_rInner和_rOuter的范围内
             //那么rng.uniform(0.,1.) < prob 这个是干嘛的呢？
             //连着上面看，如果_maxSampleNum大于那个最大个数，prob就大于1，这样，
             //rng.uniform(0.,1.) < prob这个条件就总能满足，表示在这个范围产生的
             //所以box我都要了（因为我本身想要更多的，但是你给不了我那么多，那么你能给的，我肯定全要了）。
             //那如果你给的太多了，我不要那么多，也就是prob<1，那我就随机地跳几个走好了
             if( rng.uniform(0.,1.) < prob && dist < inradsq && dist >= outradsq ){

                 rec.x = c;
                 rec.y = r;
                 rec.width = _objectBox.width;  //没有做尺度不变？至此至终box的大小都没变化
                 rec.height= _objectBox.height;

                 _sampleBox.push_back(rec);

                 i++;
             }
         }

         _sampleBox.resize(i);

 }

 //这个sampleRect的重载函数是用来在上一帧跟踪的目标box的周围（距离小于_srw）采集若干box来待检测。
 //与上面的那个不一样，上面那个是在这一帧已经检测出目标的基础上，采集正负样本来更新分类器的。
 //上面那个属于论文中提到的算法的第四个步骤，这个是第一个步骤。然后过程差不多，没什么好说的了
 void CompressiveTracker::sampleRect(Mat& _image, Rect& _objectBox, float _srw, vector<Rect>& _sampleBox)
 /* Description: Compute the coordinate of samples when detecting the object.*/
 {
     int rowsz = _image.rows - _objectBox.height - 1;
     int colsz = _image.cols - _objectBox.width - 1;
     float inradsq = _srw*_srw;

     int dist;

     int minrow = max(0,(int)_objectBox.y-(int)_srw);
     int maxrow = min((int)rowsz-1,(int)_objectBox.y+(int)_srw);
     int mincol = max(0,(int)_objectBox.x-(int)_srw);
     int maxcol = min((int)colsz-1,(int)_objectBox.x+(int)_srw);

     int i = 0;

     int r;
     int c;

     Rect rec(0,0,0,0);
     _sampleBox.clear();//important

     for( r=minrow; r<=(int)maxrow; r++ )
         for( c=mincol; c<=(int)maxcol; c++ ){
             dist = (_objectBox.y-r)*(_objectBox.y-r) + (_objectBox.x-c)*(_objectBox.x-c);

             if( dist < inradsq ){

                 rec.x = c;
                 rec.y = r;
                 rec.width = _objectBox.width;
                 rec.height= _objectBox.height;

                 _sampleBox.push_back(rec);

                 i++;
             }
         }

         _sampleBox.resize(i);

 }

 // Compute the features of samples
 //通过积分图来计算采集到的每一个样本的harr特征，这个特征通过与featuresWeight来相乘
 //就相当于投影到随机测量矩阵中了，也就是进行稀疏表达了。这里不明白的话，可以看下
 //论文中的图二，就比较直观了。所以这里得到的是：每个样本的稀疏表达后的harr特征。
 //还有一点：实际上这里采用的不属于真正的harr特征，我博客中翻译有误。这里计算的是
 //在box中采样得到的不同矩形框的灰度加权求和
 void CompressiveTracker::getFeatureValue(Mat& _imageIntegral, vector<Rect>& _sampleBox, Mat& _sampleFeatureValue)
 {
     int sampleBoxSize = _sampleBox.size();
     _sampleFeatureValue.create(featureNum, sampleBoxSize, CV_32F);
     float tempValue;
     int xMin;
     int xMax;
     int yMin;
     int yMax;

     for (int i=0; i<featureNum; i++)
     {
         for (int j=0; j<sampleBoxSize; j++)
         {
             tempValue = 0.0f;
             for (size_t k=0; k<features[i].size(); k++)
             {
                 //features中保存的特征模板（矩形框）是相对于box的相对位置的，
                 //所以需要加上box的坐标才是其在整幅图像中的坐标
                 xMin = _sampleBox[j].x + features[i][k].x;
                 xMax = _sampleBox[j].x + features[i][k].x + features[i][k].width;
                 yMin = _sampleBox[j].y + features[i][k].y;
                 yMax = _sampleBox[j].y + features[i][k].y + features[i][k].height;
                 //通过积分图来快速计算一个矩形框的像素和，积分图不了解的话，可以看下我的这个博文：
                 //http://blog.csdn.net/zouxy09/article/details/7929570
                 //那么这里tempValue就是经过稀释矩阵加权后的灰度和了。
                 //每一个harr特征是由2到3个矩形框来构成的，对这些矩形框的灰度加权求和
                 //作为这一个harr特征的特征值。然后一个样本有50个harr特征
                 tempValue += featuresWeight[i][k] *
                     (_imageIntegral.at<float>(yMin, xMin) +
                     _imageIntegral.at<float>(yMax, xMax) -
                     _imageIntegral.at<float>(yMin, xMax) -
                     _imageIntegral.at<float>(yMax, xMin));
             }
             _sampleFeatureValue.at<float>(i,j) = tempValue;
         }
     }
 }

 // Update the mean and variance of the gaussian classifier
 //论文中是通过用高斯分布去描述样本的每一个harr特征的概率分布的。高斯分布就可以通过期望和方差
 //两个参数来表征。然后通过正负样本的每一个harr特征高斯概率分布的对数比值，来构建分类器决策
 //该box属于目标还是背景。这里计算新采集到的正负样本的特征的期望和标准差，并用其来更新分类器
 void CompressiveTracker::classifierUpdate(Mat& _sampleFeatureValue, vector<float>& _mu, vector<float>& _sigma, float _learnRate)
 {
     Scalar muTemp;
     Scalar sigmaTemp;

     for (int i=0; i<featureNum; i++)
     {
         //计算所有正样本或者负样本的某个harr特征的期望和标准差
         meanStdDev(_sampleFeatureValue.row(i), muTemp, sigmaTemp);

         //这个模型参数更新的公式见论文的公式6
         _sigma[i] = (float)sqrt( _learnRate*_sigma[i]*_sigma[i] + (1.0f-_learnRate)*sigmaTemp.val[0]*sigmaTemp.val[0]
         + _learnRate*(1.0f-_learnRate)*(_mu[i]-muTemp.val[0])*(_mu[i]-muTemp.val[0]));  // equation 6 in paper

         _mu[i] = _mu[i]*_learnRate + (1.0f-_learnRate)*muTemp.val[0];   // equation 6 in paper
     }
 }

 // Compute the ratio classifier
 void CompressiveTracker::radioClassifier(vector<float>& _muPos, vector<float>& _sigmaPos, vector<float>& _muNeg, vector<float>& _sigmaNeg,
                                          Mat& _sampleFeatureValue, float& _radioMax, int& _radioMaxIndex)
 {
     float sumRadio;
     //FLT_MAX是最大的浮点数的宏定义，那么-FLT_MAX就是最小的浮点数了
     //这个是拿来存放 那么多box中最大的分类分数的
     _radioMax = -FLT_MAX;
     //这个是对应于上面那个，是存放分类分数最大的那个box的
     _radioMaxIndex = 0;
     float pPos;
     float pNeg;
     int sampleBoxNum = _sampleFeatureValue.cols;

     for (int j=0; j<sampleBoxNum; j++)  //每帧采样得到的需要检测的box
     {
         sumRadio = 0.0f;
         for (int i=0; i<featureNum; i++)  //每个box的需要匹配的特征数
         {
             //计算每个特征的概率，特征分布近似于高斯分布，故将描述该特征的均值和标准差代入高斯模型就可以
             //得到，分别在正样本和负样本的基础上，出现该特征的概率是多少。如果正样本时候的概率大，那么
             //我们就说，这个特征对应的样本是正样本。数学上比较大小，就是减法或者除法了，这里是取对数比值
             pPos = exp( (_sampleFeatureValue.at<float>(i,j)-_muPos[i])*(_sampleFeatureValue.at<float>(i,j)-_muPos[i]) / -(2.0f*_sigmaPos[i]*_sigmaPos[i]+1e-30) ) / (_sigmaPos[i]+1e-30);
             pNeg = exp( (_sampleFeatureValue.at<float>(i,j)-_muNeg[i])*(_sampleFeatureValue.at<float>(i,j)-_muNeg[i]) / -(2.0f*_sigmaNeg[i]*_sigmaNeg[i]+1e-30) ) / (_sigmaNeg[i]+1e-30);

             //paper的方程4：计算分类结果，得到一个分数，这个分数是由一个样本或者box的50个特征（弱分类）
             //进入分类器分类得到的结果总和（强分类？）。表征的是目前这个box的特征属于正样本（目标）的
             //可能性大小。哪个分数最大，自然我就认为你是目标了。（当然，在具体应用中需要加一些策略去
             //改善误跟踪的情况。例如如果最高的分数都达不到一个阈值，那就不存在目标等）
             sumRadio += log(pPos+1e-30) - log(pNeg+1e-30);  // equation 4
         }
         if (_radioMax < sumRadio) //拿到最大的分数和相应的box索引
         {
             _radioMax = sumRadio;
             _radioMaxIndex = j;
         }
     }
 }

 //传入第一帧和要跟踪的目标box（由文件读入或者用户鼠标框选），来初始化分类器
 void CompressiveTracker::init(Mat& _frame, Rect& _objectBox)
 {
     // compute feature template
     //计算box的harr特征模板，先存着
     HaarFeature(_objectBox, featureNum);

     // compute sample templates
     //因为这是第一帧，目标box是由由文件读入或者用户鼠标框选的，是已知的，
     //所以我们通过在这个目标box周围，采集正样本和负样本来初始化我们的分类器
     sampleRect(_frame, _objectBox, rOuterPositive, 0, 1000000, samplePositiveBox);
     sampleRect(_frame, _objectBox, rSearchWindow*1.5, rOuterPositive+4.0, 100, sampleNegativeBox);

     //计算积分图，用以快速的计算harr特征
     integral(_frame, imageIntegral, CV_32F);

     //通过上面的积分图，计算我们采样到的正负样本的box的harr特征
     getFeatureValue(imageIntegral, samplePositiveBox, samplePositiveFeatureValue);
     getFeatureValue(imageIntegral, sampleNegativeBox, sampleNegativeFeatureValue);

     //通过上面的正负样本的特征来初始化分类器
     classifierUpdate(samplePositiveFeatureValue, muPositive, sigmaPositive, learnRate);
     classifierUpdate(sampleNegativeFeatureValue, muNegative, sigmaNegative, learnRate);
 }

 //传入上一帧跟踪到的box，来处理新的一帧
 void CompressiveTracker::processFrame(Mat& _frame, Rect& _objectBox)
 {
     // predict
     //在上一帧跟踪到的boxbox周围，采集需要检测的box框
     sampleRect(_frame, _objectBox, rSearchWindow, detectBox);
     //计算这一帧的积分图
     integral(_frame, imageIntegral, CV_32F);
     //用积分图来计算上面采集到的每个box的harr特征
     getFeatureValue(imageIntegral, detectBox, detectFeatureValue);
     int radioMaxIndex;
     float radioMax;
     //对上面的每个box进行匹配分类
     radioClassifier(muPositive, sigmaPositive, muNegative, sigmaNegative, detectFeatureValue, radioMax, radioMaxIndex);
     //得到分数最高的那个目标box
     _objectBox = detectBox[radioMaxIndex];

     // update
     //在新跟踪到的这个目标box的周围，采集正样本和负样本来更新我们的分类器
     sampleRect(_frame, _objectBox, rOuterPositive, 0.0, 1000000, samplePositiveBox);
     sampleRect(_frame, _objectBox, rSearchWindow*1.5, rOuterPositive+4.0, 100, sampleNegativeBox);

     //通过上面的积分图，计算我们采样到的正负样本的box的harr特征
     getFeatureValue(imageIntegral, samplePositiveBox, samplePositiveFeatureValue);
     getFeatureValue(imageIntegral, sampleNegativeBox, sampleNegativeFeatureValue);

     //通过上面的正负样本的特征来更新我们的分类器
     classifierUpdate(samplePositiveFeatureValue, muPositive, sigmaPositive, learnRate);
     classifierUpdate(sampleNegativeFeatureValue, muNegative, sigmaNegative, learnRate);
 }