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: yang_xian521@163.com
- * Date: 2012/08/03
- * History:
- * Revised by Kaihua Zhang on 14/8/2012
- * Email: zhkhua@gmail.com
- * 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);
- }