CvHaarTrainingData和CvBackgroundData的区别

1 训练样本的代码CvHaarTrainingData

/* Prepared for training samples */
typedef struct CvHaarTrainingData
{
   CvSize winsize;     /* 训练图像的大小 */
   int    maxnum;      /* 训练样本的总数目，maxnum=正样本总数+负样本总数 */
   CvMat  sum;         /* 垂直积分图 */
   CvMat  tilted;      /* 旋转积分图*/
   CvMat  normfactor;  /* 标准化因子*/
   CvMat  cls;         /*正负样本类别标记，如果classes=1.0 则是正样本,如果是 0.0 则是负样本图像 */
   CvMat  weights;     /* 样本权重 */
   CvMat* valcache;    /* 样本的特征，一共有maxnum行 ，特征总数（CvIntHaarFeatures.count）个列*/
   CvMat* idxcache;    /* 对样本标号按特征值升序排序，一共有特征总数（CvIntHaarFeatures.count）个行，maxnum 个列*/
} CvHaarTrainigData;

   训练样本的内容，为了方便，我归了一下类，包括三部分：图像，积分图，特征

1.1 图像

   图像的内容有winsize，maxnum，weight和cls这四种因素。

1.2   积分图

    积分图旋转和不旋转两种因素

1.3 特征

  特征包含样本的特征以及对特征的排序这两种因素

注：这三种分类是我个人的分类，仅仅是为了研究的方便。

这里我再说两个重要参数：

1.4 valcache

  valCache是设置在训练前有多少特征值被提前算出存放在内存中。内存模型如下：

1.5 idxCache

   idxCache是valCache中每种特征按特征值从小到大排列的样本的序号。内存模型如下：

1.6 idxCache和valCache

注意，在valCache中的数据是float型的，idxCache中的数据是short型的，利用idxCache数组我们可以方便按特征值的从小到大遍历valCache，这样就节省了内存空间。内存大小是通过运行程序的命令行参数设置的。这样，确定了内存大小，就可以计算每次预计算的特征个数了，如下所示：

 

<span style="font-family:SimSun;font-size:14px;">//1MB == 1048576B  计算一个样本中有多少个特征能被pre计算放在内存中
    numprecalculated = (int) ( ((size_t) mem) * ((size_t) 1048576) /
        ( ((size_t) (npos + nneg)) * (sizeof( float ) + sizeof( short )) ) );</span>

2 负样本代码CvBackgroundData

typedef struct CvBackgroundData
{
   int    count;     <span style="font-family:SimSun;">//</span>负样本的总个数
   char** filename;  <span style="font-family:SimSun;">//</span>各个负样本的<span style="font-family:SimSun;">绝对路径</span>
   int    last;
   int    round;
   CvSize winsize;   <span style="font-family:SimSun;">//</span>负样本图像的大小。可以与正样本的大小不一样
} CvBackgroundData;

3  二者区别

  CvHaarTrainingData所包含内容比较齐全，而且是既包含正样本，也包含负样本；CvBackgroundData显然是针对负样本的。

部分参考内容：

 http://www.opencvchina.com/thread-132-1-1.html