opencv之HOG源代码注释

【原文：http://blog.csdn.net/antter0510/article/details/20564627】

在阅读的过程中主要参考tornadomeet的博文，在这里表示感谢。同时在阅读的过程中也发现了其中的一些不足，在我的注释中会一一指出。由于本人能力有限，对源代码的理解还存在不足，比如usecache部分，还有weight的计算过程都没有进行深究。由于代码本身过长，所以会另外写一篇文章对代码进行分析。下面进入正题，首先是对HOGDescriptor结构体的声明部分进行简单的注释。

[cpp]  view plain copy

1. struct CV_EXPORTS_W HOGDescriptor  
2. {  
3. public:  
4.     enum { L2Hys=0 };  
5.     enum { DEFAULT_NLEVELS=64 };  
6.   
7.     CV_WRAP HOGDescriptor() : winSize(64,128), blockSize(16,16), blockStride(8,8),  
8.         cellSize(8,8), nbins(9), derivAperture(1), winSigma(-1),  
9.         histogramNormType(HOGDescriptor::L2Hys), L2HysThreshold(0.2), gammaCorrection(true),  
10.         nlevels(HOGDescriptor::DEFAULT_NLEVELS)  
11.     {}  
12.   
13.     CV_WRAP HOGDescriptor(Size _winSize, Size _blockSize, Size _blockStride,  
14.                   Size _cellSize, int _nbins, int _derivAperture=1, double _winSigma=-1,  
15.                   int _histogramNormType=HOGDescriptor::L2Hys,  
16.                   double _L2HysThreshold=0.2, bool _gammaCorrection=false,  
17.                   int _nlevels=HOGDescriptor::DEFAULT_NLEVELS)  
18.     : winSize(_winSize), blockSize(_blockSize), blockStride(_blockStride), cellSize(_cellSize),  
19.     nbins(_nbins), derivAperture(_derivAperture), winSigma(_winSigma),  
20.     histogramNormType(_histogramNormType), L2HysThreshold(_L2HysThreshold),  
21.     gammaCorrection(_gammaCorrection), nlevels(_nlevels)  
22.     {}  
23.     //含参及无参构造函数  
24.     //可以导入文本文件进行初始化  
25.     CV_WRAP HOGDescriptor(const String& filename)  
26.     {  
27.         load(filename);//这里load函数为加载filename中第一个节点信息  
28.     }  
29.   
30.     HOGDescriptor(const HOGDescriptor& d)  
31.     {  
32.         d.copyTo(*this);//将d中的描述算子参数赋值给当前描述子  
33.     }  
34.   
35.     virtual ~HOGDescriptor() {}  
36.   
37.     //size_t是一个long unsigned int型  
38.     CV_WRAP size_t getDescriptorSize() const;//获取描述算子维度  
39.     CV_WRAP bool checkDetectorSize() const;//检查描述算子维数是否合法  
40.     CV_WRAP double getWinSigma() const;  
41.   
42.     //virtual为虚函数，在指针或引用时起函数多态作用  
43.     CV_WRAP virtual void setSVMDetector(InputArray _svmdetector);//设定SVM向量  
44.   
45.     virtual bool read(FileNode& fn);//将节点fn的描述算子参数信息读入，其中可能包含了SVMVec  
46.     virtual void write(FileStorage& fs, const String& objname) const;//将参数信息写入以objname命名的目标节点中  
47.   
48.     CV_WRAP virtual bool load(const String& filename, const String& objname=String());//加载filename中名为objname的节点信息  
49.     CV_WRAP virtual void save(const String& filename, const String& objname=String()) const;//保存当前参数  
50.     virtual void copyTo(HOGDescriptor& c) const;//拷贝  
51.     //计算输入原始图像img的所有扫描窗口或指定扫描窗口（由locations指定）的描述算子集合，并存放在descriptors中  
52.  CV_WRAP virtual void compute(const Mat& img, CV_OUT vector<float>& descriptors, Size winStride=Size(), Size padding=Size(), const vector<Point>& locations=vector<Point>()) const;  
53.   
54.     //对输入原始图像img的整体或部分（由searchLocations指定）进行扫描，并记录检测到含有行人的扫描窗口的矩形信息（由foundLocations保存）及置信度（weights）  
55.     CV_WRAP virtual void detect(const Mat& img, CV_OUT vector<Point>& foundLocations,  
56.                         CV_OUT vector<double>& weights,  
57.                         double hitThreshold=0, Size winStride=Size(),  
58.                         Size padding=Size(),  
59.                         const vector<Point>& searchLocations=vector<Point>()) const;  
60.     //不含weight  
61.     virtual void detect(const Mat& img, CV_OUT vector<Point>& foundLocations,  
62.                         double hitThreshold=0, Size winStride=Size(),  
63.                         Size padding=Size(),  
64.                         const vector<Point>& searchLocations=vector<Point>()) const;  
65.     //多尺度扫描，通过对原始图像img进行尺寸变换来实现尺度检测过程  
66.     CV_WRAP virtual void detectMultiScale(const Mat& img, CV_OUT vector<Rect>& foundLocations,  
67.                                   CV_OUT vector<double>& foundWeights, double hitThreshold=0,  
68.                                   Size winStride=Size(), Size padding=Size(), double scale=1.05,  
69.                                   double finalThreshold=2.0,bool useMeanshiftGrouping = false) const;  
70.     //不含weight  
71.     virtual void detectMultiScale(const Mat& img, CV_OUT vector<Rect>& foundLocations,  
72.                                   double hitThreshold=0, Size winStride=Size(),  
73.                                   Size padding=Size(), double scale=1.05,  
74.                                   double finalThreshold=2.0, bool useMeanshiftGrouping = false) const;  
75.     //计算原始输入图像img的梯度幅度图grad，梯度方向图qangle  
76.     //这里作者出现一个小小的失误，声明变量中的angleOfs，其实应该是qangle  
77.     CV_WRAP virtual void computeGradient(const Mat& img, CV_OUT Mat& grad, CV_OUT Mat& angleOfs,  
78.                                  Size paddingTL=Size(), Size paddingBR=Size()) const;  
79.   
80.     CV_WRAP static vector<float> getDefaultPeopleDetector();  
81.     CV_WRAP static vector<float> getDaimlerPeopleDetector();//获得两个检测器？  
82.   
83.     CV_PROP Size winSize;//扫描窗口大小，默认（64*128）  
84.     CV_PROP Size blockSize;//block块大小，默认为（16*16）  
85.     CV_PROP Size blockStride;//block块每次移动距离，默认为（8*8）  
86.     CV_PROP Size cellSize;//block中每个cell的大小，默认（8*8）  
87.     CV_PROP int nbins;//每个cell最终产生梯度直方图的bin个数，默认为9  
88.     CV_PROP int derivAperture;//不了解  
89.     CV_PROP double winSigma;//高斯  
90.     CV_PROP int histogramNormType;//归一化类型？  
91.     CV_PROP double L2HysThreshold;//归一化操作阈值？  
92.     CV_PROP bool gammaCorrection;//是否进行伽马校正  
93.     CV_PROP vector<float> svmDetector;//svm检测器  
94.     CV_PROP int nlevels;//金字塔层数  
95. };  

具体的实现细节：

[cpp]  view plain copy

1. namespace cv  
2. {  
3. //获取描述算子大小  
4. size_t HOGDescriptor::getDescriptorSize() const  
5. {  
6.     CV_Assert(blockSize.width % cellSize.width == 0 &&  
7.         blockSize.height % cellSize.height == 0);  
8.     CV_Assert((winSize.width - blockSize.width) % blockStride.width == 0 &&  
9.         (winSize.height - blockSize.height) % blockStride.height == 0 );  
10.     return (size_t)nbins*  
11.         (blockSize.width/cellSize.width)*  
12.         (blockSize.height/cellSize.height)*  
13.         ((winSize.width - blockSize.width)/blockStride.width + 1)*  
14.         ((winSize.height - blockSize.height)/blockStride.height + 1);  
15.         //9*(16/8)*(16/8)*((64-16)/8+1)*((128-16)/8+1)=9*2*2*7*15=3780，实际上的检测算子为3781，多一维表示偏置  
16. }  
17. //获得Sigma值  
18. double HOGDescriptor::getWinSigma() const  
19. {  
20.     return winSigma >= 0 ? winSigma : (blockSize.width + blockSize.height)/8.;  
21. }  
22. //检查探测器detector维度：可以为0；descriptor维度；descriptor维度加一  
23. bool HOGDescriptor::checkDetectorSize() const  
24. {  
25.     size_t detectorSize = svmDetector.size(), descriptorSize = getDescriptorSize();  
26.     return detectorSize == 0 ||  
27.         detectorSize == descriptorSize ||  
28.         detectorSize == descriptorSize + 1;  
29. }  
30. //根据传递参数设定svmDetector内容，并检查detector尺寸  
31. void HOGDescriptor::setSVMDetector(InputArray _svmDetector)  
32. {  
33.     _svmDetector.getMat().convertTo(svmDetector, CV_32F);  
34.     CV_Assert( checkDetectorSize() );  
35. }  
36.   
37. #define CV_TYPE_NAME_HOG_DESCRIPTOR "opencv-object-detector-hog"  
38.   
39. //读操作，根据fileNode内容对当前HOGdescriptor参数进行设定，其中包可能括svmDetector的设定  
40. bool HOGDescriptor::read(FileNode& obj)  
41. {  
42.     if( !obj.isMap() )  
43.         return false;  
44.     FileNodeIterator it = obj["winSize"].begin();  
45.     it >> winSize.width >> winSize.height;  
46.     it = obj["blockSize"].begin();  
47.     it >> blockSize.width >> blockSize.height;  
48.     it = obj["blockStride"].begin();  
49.     it >> blockStride.width >> blockStride.height;  
50.     it = obj["cellSize"].begin();  
51.     it >> cellSize.width >> cellSize.height;  
52.     obj["nbins"] >> nbins;  
53.     obj["derivAperture"] >> derivAperture;  
54.     obj["winSigma"] >> winSigma;  
55.     obj["histogramNormType"] >> histogramNormType;  
56.     obj["L2HysThreshold"] >> L2HysThreshold;  
57.     obj["gammaCorrection"] >> gammaCorrection;  
58.   
59.     FileNode vecNode = obj["SVMDetector"];  
60.     if( vecNode.isSeq() )  
61.     {  
62.         vecNode >> svmDetector;  
63.         CV_Assert(checkDetectorSize());  
64.     }  
65.     return true;  
66. }  
67.   
68. //将当前HOGDescriptor的参数内容写入文件进行保存，并使用objname进行区分。其中可能包括svmDetector内容  
69. void HOGDescriptor::write(FileStorage& fs, const String& objName) const  
70. {  
71.     if( !objName.empty() )  
72.         fs << objName;  
73.   
74.     fs << "{" CV_TYPE_NAME_HOG_DESCRIPTOR  
75.     << "winSize" << winSize  
76.     << "blockSize" << blockSize  
77.     << "blockStride" << blockStride  
78.     << "cellSize" << cellSize  
79.     << "nbins" << nbins  
80.     << "derivAperture" << derivAperture  
81.     << "winSigma" << getWinSigma()  
82.     << "histogramNormType" << histogramNormType  
83.     << "L2HysThreshold" << L2HysThreshold  
84.     << "gammaCorrection" << gammaCorrection;  
85.     if( !svmDetector.empty() )  
86.         fs << "SVMDetector" << "[:" << svmDetector << "]";  
87.     fs << "}";  
88. }  
89. //在文件中读取名为objname节点的信息（信息内容为descriptor参数）  
90. bool HOGDescriptor::load(const String& filename, const String& objname)  
91. {  
92.     FileStorage fs(filename, FileStorage::READ);  
93.     FileNode obj = !objname.empty() ? fs[objname] : fs.getFirstTopLevelNode();  
94.     return read(obj);  
95. }  
96. //将当前descriptor参数写入名为objname的目标节点  
97. void HOGDescriptor::save(const String& filename, const String& objName) const  
98. {  
99.     FileStorage fs(filename, FileStorage::WRITE);  
100.     write(fs, !objName.empty() ? objName : FileStorage::getDefaultObjectName(filename));  
101. }  
102. //由上可以判定出该fileStorage的结构：objname---param;objname---param;...一个文件中可以含有多组参数，并能够实现随机读取  
103.   
104.   
105. //复制操作，将当前数据复制给descriptor c  
106. void HOGDescriptor::copyTo(HOGDescriptor& c) const  
107. {  
108.     c.winSize = winSize;  
109.     c.blockSize = blockSize;  
110.     c.blockStride = blockStride;  
111.     c.cellSize = cellSize;  
112.     c.nbins = nbins;  
113.     c.derivAperture = derivAperture;  
114.     c.winSigma = winSigma;  
115.     c.histogramNormType = histogramNormType;  
116.     c.L2HysThreshold = L2HysThreshold;  
117.     c.gammaCorrection = gammaCorrection;  
118.     c.svmDetector = svmDetector;  
119. }  
120.   
121. //计算图像img的梯度幅度图像grad和梯度方向图像qangle.  
122. //img原始输入图像  
123. //grad、qangle保存计算结果  
124. //paddingTL(TopLeft)为需要在原图像img左上角扩增的尺寸，  
125. //paddingBR(BottomRight)为需要在img图像右下角扩增的尺寸。  
126. //确定每个像素对应的梯度幅度值及方向  
127. void HOGDescriptor::computeGradient(const Mat& img, Mat& grad, Mat& qangle,  
128.                                     Size paddingTL, Size paddingBR) const  
129. {  
130.     CV_Assert( img.type() == CV_8U || img.type() == CV_8UC3 );//判定img数据类型  
131.   
132.     Size gradsize(img.cols + paddingTL.width + paddingBR.width,  
133.                   img.rows + paddingTL.height + paddingBR.height);//确定梯度图的尺寸大小，原始图像大小加扩展部分  
134.     grad.create(gradsize, CV_32FC2);  //  
135.     qangle.create(gradsize, CV_8UC2); // 均为2通道  
136.     Size wholeSize;  
137.     Point roiofs;  
138.     img.locateROI(wholeSize, roiofs);  
139.     //locateROI的作用是，定位当前矩阵（可能是原始矩阵中的部分）在原始矩阵中的位置，  
140.     //whloeSize表示原始矩阵的尺寸，roiofs表示当前矩阵在原始矩阵的相对位置。  
141.     //这里假设img为独立存在，则wholeSize表示img大小，ofs为（0,0）这里的img是整幅图像，而不是滑动窗口内图像  
142.   
143.     int i, x, y;  
144.     int cn = img.channels();//获得img的通道数  
145.   
146.     Mat_<float> _lut(1, 256);  
147.     const float* lut = &_lut(0,0);//获得指向_lut初始位置的指针  
148.   
149.     //对_lut进行初始化操作，这里分两种情形：gamma校正or not，  
150.     if( gammaCorrection )  
151.         for( i = 0; i < 256; i++ )  
152.             _lut(0,i) = std::sqrt((float)i);//所谓校正就是开平方，lut(0,i)取值范围缩小  
153.     else  
154.         for( i = 0; i < 256; i++ )  
155.             _lut(0,i) = (float)i;  
156.   
157.     //在opencv的core.hpp里面有AutoBuffer<>()函数，该函数为自动分配一段指定大小的内存,并且可以指定内存中数据的类型。  
158.     AutoBuffer<int> mapbuf(gradsize.width + gradsize.height + 4);  
159.     //这里开辟空间大小为梯度图宽+高+4,类型为整型  
160.   
161.     int* xmap = (int*)mapbuf + 1;//两个指针，xmap指向mapBuf的头部加一，基本上是width范围内  
162.     int* ymap = xmap + gradsize.width + 2;//ymap指向hight范围内  
163.     //简单了解xmap，ymap指向位置 mapBuf ：[_[xmap...]_ _[ymap...]_]（前者长度为 width，后者长度为 height）  
164.     const int borderType = (int)BORDER_REFLECT_101;  
165.     //确定边界扩充类型为BORDER_REFLECT_101，扩充格式如右：BORDER_REFLECT_101   gfedcb|abcdefgh|gfedcba  
166.   
167.     /*int borderInterpolate(int p, int len, int borderType) 
168.       该函数的作用是已知扩展后像素位置，反推该像素在原始图像中的位置，这里的位置的相对坐标原点都是原始图像中的左上方位置 
169.       p表示在扩展后沿某坐标轴像素位置（img坐标原点），len表示沿该坐标轴原始图像宽度，borderType表示扩展类型 
170.     */  
171.     //xmap中内容指向x方向扩展图像grad像素位置（下标）对应原始图像的位置（值），  
172.     //ymap 指向y方向扩张图像中像素位置对应原始图像中的位置  
173.     for( x = -1; x < gradsize.width + 1; x++ )  
174.         xmap[x] = borderInterpolate(x - paddingTL.width + roiofs.x,  
175.                         wholeSize.width, borderType) - roiofs.x;  
176.     for( y = -1; y < gradsize.height + 1; y++ )  
177.         ymap[y] = borderInterpolate(y - paddingTL.height + roiofs.y,  
178.                         wholeSize.height, borderType) - roiofs.y;  
179.     //mapBuf最终内容是位置一一对应关系，grad中位置(grad图像坐标原点)--->img中原始位置(原始img图像坐标原点)，目的是方便查找  
180.     //x = -1、width在扩展图像grad中也是不存在的。这里-1的作用就是在y == 0 的时候能够取到其perPixel（grad图像中）  
181.   
182.     int width = gradsize.width;  
183.     AutoBuffer<float> _dbuf(width*4);//创建新的内存单元，用来存储单步计算得得到的 dx、dy、mag、angle  
184.     float* dbuf = _dbuf  
185.     //Dx为水平梯度，Dy为垂直梯度，Mag为梯度幅度，Angle为梯度方向，可知在内存中是连续存在的  
186.     //缓存，暂时存放数据  
187.     Mat Dx(1, width, CV_32F, dbuf);  
188.     Mat Dy(1, width, CV_32F, dbuf + width);  
189.     Mat Mag(1, width, CV_32F, dbuf + width*2);  
190.     Mat Angle(1, width, CV_32F, dbuf + width*3);//非常不错的编程技巧，对内存单元的灵活把握  
191.   
192.     int _nbins = nbins;//得到bin值，默认为9  
193.     float angleScale = (float)(_nbins/CV_PI);//确定角度值变换系数，用来将得到的角度划分到9个bin中  
194. #ifdef HAVE_IPP  
195.     Mat lutimg(img.rows,img.cols,CV_MAKETYPE(CV_32F,cn));  
196.     Mat hidxs(1, width, CV_32F);  
197.     Ipp32f* pHidxs  = (Ipp32f*)hidxs.data;  
198.     Ipp32f* pAngles = (Ipp32f*)Angle.data;  
199.   
200.     IppiSize roiSize;  
201.     roiSize.width = img.cols;  
202.     roiSize.height = img.rows;  
203.   
204.     for( y = 0; y < roiSize.height; y++ )  
205.     {  
206.        const uchar* imgPtr = img.data + y*img.step;  
207.        float* imglutPtr = (float*)(lutimg.data + y*lutimg.step);  
208.   
209.        for( x = 0; x < roiSize.width*cn; x++ )  
210.        {  
211.           imglutPtr[x] = lut[imgPtr[x]];  
212.        }  
213.     }  
214.   
215. #endif  
216.     //按行遍历计算梯度图  
217.     for( y = 0; y < gradsize.height; y++ )  
218.     {  
219. #ifdef HAVE_IPP  
220.         const float* imgPtr  = (float*)(lutimg.data + lutimg.step*ymap[y]);  
221.         const float* prevPtr = (float*)(lutimg.data + lutimg.step*ymap[y-1]);  
222.         const float* nextPtr = (float*)(lutimg.data + lutimg.step*ymap[y+1]);  
223. #else  
224.         //获得原始img图像中对应像素，垂直方向上一个像素、下一个像素，简单的图像遍历  
225.         const uchar* imgPtr  = img.data + img.step*ymap[y];  
226.         const uchar* prevPtr = img.data + img.step*ymap[y-1];  
227.         const uchar* nextPtr = img.data + img.step*ymap[y+1];//通过简单的映射表得到梯度图像中每个像素对应的原始img像素  
228. #endif  
229.         //获得grad图像当前像素指针，获得梯度方向当前像素指针  
230.         float* gradPtr = (float*)grad.ptr(y);  
231.         uchar* qanglePtr = (uchar*)qangle.ptr(y);  
232.   
233.         if( cn == 1 )//如果原始img图像为单通道图像  
234.         {  
235.             for( x = 0; x < width; x++ )//遍历当前行所有列像素，并将计算结果保存到dbuf中，水平梯度，垂直梯度  
236.             {  
237.                 int x1 = xmap[x];//获得x位置对应原始图像中位置x1  
238. #ifdef HAVE_IPP  
239.                 dbuf[x] = (float)(imgPtr[xmap[x+1]] - imgPtr[xmap[x-1]]);  
240.                 dbuf[width + x] = (float)(nextPtr[x1] - prevPtr[x1]);  
241. #else  
242.                 //计算水平梯度值  
243.                 //xmap[x+1]得到原始图像中右侧像素位置，imgPtr[xmap[x+1]]得到该像素的像素值（0~255）  
244.                 //lut[...]得到float型值，可以进行gamma校正，存在一一映射关系  
245.                 //dx = [-1 0 +1]  
246.                 dbuf[x] = (float)(lut[imgPtr[xmap[x+1]]] - lut[imgPtr[xmap[x-1]]]);//Dx  
247.                 //计算垂直梯度值  
248.                 //同理dy = [-1 0 +1]T  
249.                 dbuf[width + x] = (float)(lut[nextPtr[x1]] - lut[prevPtr[x1]]);//Dy  
250. #endif  
251.             }  
252.         }  
253.         else//原始图像为多通道时  
254.         {  
255.             for( x = 0; x < width; x++ )  
256.             {  
257.                 int x1 = xmap[x]*3;  
258.                 float dx0, dy0, dx, dy, mag0, mag;  
259. #ifdef HAVE_IPP  
260.                 const float* p2 = imgPtr + xmap[x+1]*3;  
261.                 const float* p0 = imgPtr + xmap[x-1]*3;  
262.   
263.                 dx0 = p2[2] - p0[2];  
264.                 dy0 = nextPtr[x1+2] - prevPtr[x1+2];  
265.                 mag0 = dx0*dx0 + dy0*dy0;  
266.   
267.                 dx = p2[1] - p0[1];  
268.                 dy = nextPtr[x1+1] - prevPtr[x1+1];  
269.                 mag = dx*dx + dy*dy;  
270.   
271.                 if( mag0 < mag )  
272.                 {  
273.                     dx0 = dx;  
274.                     dy0 = dy;  
275.                     mag0 = mag;  
276.                 }  
277.   
278.                 dx = p2[0] - p0[0];  
279.                 dy = nextPtr[x1] - prevPtr[x1];  
280.                 mag = dx*dx + dy*dy;  
281. #else  
282.                 const uchar* p2 = imgPtr + xmap[x+1]*3;  
283.                 const uchar* p0 = imgPtr + xmap[x-1]*3;  
284.   
285.                 dx0 = lut[p2[2]] - lut[p0[2]];  
286.                 dy0 = lut[nextPtr[x1+2]] - lut[prevPtr[x1+2]];  
287.                 mag0 = dx0*dx0 + dy0*dy0;  
288.   
289.                 dx = lut[p2[1]] - lut[p0[1]];  
290.                 dy = lut[nextPtr[x1+1]] - lut[prevPtr[x1+1]];  
291.                 mag = dx*dx + dy*dy;  
292.   
293.                 if( mag0 < mag )  
294.                 {  
295.                     dx0 = dx;  
296.                     dy0 = dy;  
297.                     mag0 = mag;  
298.                 }  
299.   
300.                 dx = lut[p2[0]] - lut[p0[0]];  
301.                 dy = lut[nextPtr[x1]] - lut[prevPtr[x1]];  
302.                 mag = dx*dx + dy*dy;  
303.  #endif  
304.                 if( mag0 < mag )  
305.                 {  
306.                     dx0 = dx;  
307.                     dy0 = dy;  
308.                     mag0 = mag;  
309.                 }  
310.   
311.                 dbuf[x] = dx0;  
312.                 dbuf[x+width] = dy0;  
313.                 //最终dbuf中存放的是较大的值，  
314.                 //三个通道分别计算dx、dy、mag，通过比较mag的值，将最大的一组Dx、Dy进行保存  
315.             }  
316.         }  
317. #ifdef HAVE_IPP  
318.         ippsCartToPolar_32f((const Ipp32f*)Dx.data, (const Ipp32f*)Dy.data, (Ipp32f*)Mag.data, pAngles, width);  
319.         for( x = 0; x < width; x++ )  
320.         {  
321.            if(pAngles[x] < 0.f)  
322.              pAngles[x] += (Ipp32f)(CV_PI*2.);  
323.         }  
324.   
325.         ippsNormalize_32f(pAngles, pAngles, width, 0.5f/angleScale, 1.f/angleScale);  
326.         ippsFloor_32f(pAngles,(Ipp32f*)hidxs.data,width);  
327.         ippsSub_32f_I((Ipp32f*)hidxs.data,pAngles,width);  
328.         ippsMul_32f_I((Ipp32f*)Mag.data,pAngles,width);  
329.   
330.         ippsSub_32f_I(pAngles,(Ipp32f*)Mag.data,width);  
331.         ippsRealToCplx_32f((Ipp32f*)Mag.data,pAngles,(Ipp32fc*)gradPtr,width);  
332. #else  
333.         //计算二维向量的幅值及角度值，这里的Dx、Dy表示的该行所有像素经由模板计算的到的所有值  
334.         //mag = sqrt(Dx*Dx + Dy*Dy) angle = atan2(Dy,Dx)*180 / pi  
335.         //参数false指明这里的Angle得到结果为弧度表示，取值范围是[0,2*pi]（tornadomeet中的一个失误，导致其后面的hidx等值的计算均出现问题）  
336.         cartToPolar( Dx, Dy, Mag, Angle, false );  
337.         //所有计算值都已经保存到dbuf中了  
338.   
339. #endif  
340.         //遍历该行中的所有像素，将角度值进行划分为九个单元，  
341.         for( x = 0; x < width; x++ )  
342.         {  
343. #ifdef HAVE_IPP  
344.             int hidx = (int)pHidxs[x];  
345. #else  
346.             float mag = dbuf[x+width*2], angle = dbuf[x+width*3]*angleScale - 0.5f; //得到某个像素对应幅值与角度值(-0.5<angle<17.5)  
347.   
348.             int hidx = cvFloor(angle);//hidx = {-1,...17}，向下取整  
349.             angle -= hidx;//angle表示与下端bin的弧度值之差  
350.             gradPtr[x*2] = mag*(1.f - angle);  
351.             gradPtr[x*2+1] = mag*angle;  
352.             //利用角度的小数部分作为权重，对梯度幅值重分配  
353. #endif  
354.             if( hidx < 0 )  
355.                 hidx += _nbins;  
356.             else if( hidx >= _nbins )  
357.                 hidx -= _nbins;  
358.             //这里的hidx的求解结果原始为{-1,0,1...8,9,10...16,17}->{8,0,1...8,0,1...7,8}  
359.             //也就是将[0,2*pi]范围弧度值，分配到9个单元格中  
360.             assert( (unsigned)hidx < (unsigned)_nbins );//这里的hidx值必定是小于9的  
361.             qanglePtr[x*2] = (uchar)hidx;  
362.             hidx++;  
363.             hidx &= hidx < _nbins ? -1 : 0;  
364.             //与-1相与为其本身，与0相与为0，因而这里的hidx自加一之后，如果没有超出则保留，超出则置为零  
365.             qanglePtr[x*2+1] = (uchar)hidx;  
366.         }  
367.     }  
368.     //完成对整个原始img图像的梯度幅值计算，梯度方向值计算  
369.     //每个像素对应两个梯度值与方向值。根据角度的位置关系，将梯度值信息分配给相邻的两个bins  
370. }  
371.   
372.   
373. //这里HOGCache结构体的作用是，针对特定输入的img，及block、cell参数  
374. //计算得到一个普通滑动窗口内所有block的信息，block产生直方图位置，block在滑动窗口内的相对位置  
375. //单个block中所有像素的对不同cell产生直方图的贡献情况，分三种情况讨论  
376. //进而在之后的描述算子（直方图）的计算过程中，直接对单个像素套用blockData、pixData信息得到其对应直方图的值  
377. struct HOGCache  
378. {  
379.     struct BlockData//存储block数据内容,1个BlockData结构体是对应的一个block数据  
380.     {  
381.         BlockData() : histOfs(0), imgOffset() {}  
382.         int histOfs;//histOfs表示当前block对整个滑动窗口内HOG描述算子的对应的描述向量的起始位置  
383.         Point imgOffset;//imgOffset表示为当前block在滑动窗口图片中的相对坐标(当然是指左上角坐标)  
384.     };  
385.   
386.     struct PixData//存取某个像素内容,1个PixData结构体是对应的block中1个像素点的数据  
387.     {  
388.         //这里的注释与tornadomeet中给出的含义解释也不同  
389.         size_t gradOfs, qangleOfs;//gradOfs表示当前像素相对所属block起始位置 在grad图像中的偏移量  
390.                             //同理qangle  
391.         int histOfs[4];//histOfs[]//这里指的是当前pixel所贡献cell产生向量相对其所属block向量起始位置的偏移量 （贡献cell最多有4个）  
392.                     //通过该值可以很直接的确定当前像素对应幅值，方向值的最终归属  
393.         float histWeights[4];//histWeight[]贡献权重？？  
394.         float gradWeight;//gradWeight表示该点本身由于处在block中位置的不同因而对梯度直方图贡献也不同，  
395.                          //其权值按照二维高斯分布(以block中心为二维高斯的中心)来决定？？  
396.   
397.     };  
398.   
399.     HOGCache();  
400.     //含参构造函数，内部调用了init函数  
401.     HOGCache(const HOGDescriptor* descriptor,  
402.         const Mat& img, Size paddingTL, Size paddingBR,  
403.         bool useCache, Size cacheStride);  
404.     virtual ~HOGCache() {};  
405.     //完成对HOGCache的初始化工作，细节之后进行讨论  
406.     virtual void init(const HOGDescriptor* descriptor,  
407.         const Mat& img, Size paddingTL, Size paddingBR,  
408.         bool useCache, Size cacheStride);  
409.   
410.     Size windowsInImage(Size imageSize, Size winStride) const;//得到单幅图像中扫描窗口的个数  
411.     Rect getWindow(Size imageSize, Size winStride, int idx) const;//确定idx索引得到的扫描窗口具体信息，返回内容为一个矩阵  
412.   
413.     const float* getBlock(Point pt, float* buf);//获得指向block的直方图  
414.     virtual void normalizeBlockHistogram(float* histogram) const;//归一化block直方图  
415.   
416.     vector<PixData> pixData;//存数所有像素的数据  
417.     vector<BlockData> blockData;//存储单个滑动窗口内所有block的数据  
418.   
419.     bool useCache;//标志是否使用缓存  
420.     vector<int> ymaxCached;//与缓存使用相关，暂时不考虑  
421.     Size winSize, cacheStride;//winSize,扫描窗口大小；  
422.     Size nblocks, ncells;//单个滑动窗口内block个数，单个block中cell的个数  
423.     int blockHistogramSize;//单个block计算得到描述算子维数  
424.     int count1, count2, count4;//统计一个block中不同类型像素的个数  
425.     Point imgoffset;//偏移量  
426.     Mat_<float> blockCache;//与cache相关不先考虑  
427.     Mat_<uchar> blockCacheFlags;//不先考虑  
428.   
429.     Mat grad, qangle;//存储梯度幅度图，梯度方向图  
430.     const HOGDescriptor* descriptor;//HOG  
431. };  
432.   
433.   
434. HOGCache::HOGCache()  
435. {  
436.     useCache = false;  
437.     blockHistogramSize = count1 = count2 = count4 = 0;  
438.     descriptor = 0;  
439. }  
440.   
441. //_useCache == 0  
442. HOGCache::HOGCache(const HOGDescriptor* _descriptor,  
443.         const Mat& _img, Size _paddingTL, Size _paddingBR,  
444.         bool _useCache, Size _cacheStride)  
445. {  
446.     init(_descriptor, _img, _paddingTL, _paddingBR, _useCache, _cacheStride);  
447. }  
448.   
449. //对缓存结构体进行初始化操作  
450. //完成对原始img图像的梯度图grad，方向图qangle的计算工作  
451. //初始化工作，定位了在一个扫描窗口中每一个block对应整体特征向量初始位置和其在扫描窗口中的相对位置  
452. //另外明确了一个block中每个像素对应产生贡献的cell，及其分别相应的权重  
453. void HOGCache::init(const HOGDescriptor* _descriptor,  
454.         const Mat& _img, Size _paddingTL, Size _paddingBR,  
455.         bool _useCache, Size _cacheStride)  
456. {  
457.     descriptor = _descriptor;  
458.     cacheStride = _cacheStride;//缓存一次移动的距离？？有待进一步精确描述，为winStride与blockStride的最大公约数，  
459.     useCache = _useCache;//这里的参数输入为0，表示不启用，暂时先不予考虑  
460.     //这里的grad及qangle都是descriptor结构体内部变量  
461.     descriptor->computeGradient(_img, grad, qangle, _paddingTL, _paddingBR);//计算当前图像img的梯度方向矩阵  
462.     //经过计算得到当前img的每个像素的梯度幅度值与方向值（各有两个）  
463.   
464.     imgoffset = _paddingTL;//原始img图像填充的尺寸大小  
465.   
466.     winSize = descriptor->winSize;//扫描窗口大小（64*128）  
467.     Size blockSize = descriptor->blockSize;//当前descriptor的block大小，（16*16）  
468.     Size blockStride = descriptor->blockStride;//表示block每次跨越像素个数（x方向，y方向）  
469.     Size cellSize = descriptor->cellSize;//cell大小（8*8）  
470.     Size winSize = descriptor->winSize;//窗口大小（64*128），与上方的winSize重复了吧？  
471.     int i, j, nbins = descriptor->nbins;//9  
472.     int rawBlockSize = blockSize.width*blockSize.height;//block内像素个数  
473.   
474.     nblocks = Size((winSize.width - blockSize.width)/blockStride.width + 1,  
475.                    (winSize.height - blockSize.height)/blockStride.height + 1);//一个扫描窗口内包含block个数（7,15）存在重叠  
476.     ncells = Size(blockSize.width/cellSize.width, blockSize.height/cellSize.height);//一个block中包含cell个数（2,2）  
477.     blockHistogramSize = ncells.width*ncells.height*nbins;//一个block生成特征向量维数（2*2*9每个cell生成一个直方图，每个直方图含有9个bins）  
478.   
479.     if( useCache )//这里的使用缓存的含义是？跳过  
480.     {  
481.         Size cacheSize((grad.cols - blockSize.width)/cacheStride.width+1,  
482.                        (winSize.height/cacheStride.height)+1);//设置缓存大小  
483.         blockCache.create(cacheSize.height, cacheSize.width*blockHistogramSize);  
484.         blockCacheFlags.create(cacheSize);  
485.         size_t i, cacheRows = blockCache.rows;  
486.         ymaxCached.resize(cacheRows);  
487.         for( i = 0; i < cacheRows; i++ )  
488.             ymaxCached[i] = -1;  
489.     }  
490.   
491.     //weights为一个尺寸为blockSize的二维高斯表,下面的代码就是计算二维高斯的系数  
492.     //作用是参与计算block内像素权重  
493.     Mat_<float> weights(blockSize);//(16*16)大小  
494.     float sigma = (float)descriptor->getWinSigma();  
495.     float scale = 1.f/(sigma*sigma*2);  
496.     for(i = 0; i < blockSize.height; i++)  
497.         for(j = 0; j < blockSize.width; j++)  
498.         {  
499.             float di = i - blockSize.height*0.5f;  
500.             float dj = j - blockSize.width*0.5f;  
501.             weights(i,j) = std::exp(-(di*di + dj*dj)*scale);  
502.         }  
503.   
504.     blockData.resize(nblocks.width*nblocks.height);//共保存width*height数目的block数据，这里的resize有可能重新申请内存空间  
505.     //这里是简单的一个扫描窗口内含有的还有的block个数  
506.     pixData.resize(rawBlockSize*3);//rawBlockSize表示block中像素个数，这里*3表示不是三通道而是划分为三类像素区分存放  
507.                                    //这里申请的内存远远超过所需，但为了方便计算，需先如此申请，后再进行压缩  
508.   
509.     //主要是因为这里得到的值，不是梯度方向值，仅仅是用于计算该扫描窗口参与计算描述算子的像素的计算公式。  
510.     //之后将扫描窗口值进行带入，才得到最终的descriptor。很有可能，  
511.   
512.     // Initialize 2 lookup tables, pixData & blockData.//初始化两个查找表：pixData&blockData  
513.     // Here is why://原因如下  
514.     //  
515.     // The detection algorithm runs in 4 nested loops (at each pyramid layer):  
516.     //  loop over the windows within the input image  
517.     //    loop over the blocks within each window  
518.     //      loop over the cells within each block  
519.     //        loop over the pixels in each cell  
520.   
521.     // As each of the loops runs over a 2-dimensional array,  
522.     // we could get 8(!) nested loops in total, which is very-very slow.  
523.     // To speed the things up, we do the following:  
524.     //   1. loop over windows is unrolled in the HOGDescriptor::{compute|detect} methods;  
525.     //         inside we compute the current search window using getWindow() method.  
526.     //         Yes, it involves some overhead (function call + couple of divisions),  
527.     //         but it's tiny in fact.  
528.     //   2. loop over the blocks is also unrolled. Inside we use pre-computed blockData[j]  
529.     //         to set up gradient and histogram pointers.  
530.     //   3. loops over cells and pixels in each cell are merged  
531.     //       (since there is no overlap between cells, each pixel in the block is processed once)  
532.     //      and also unrolled. Inside we use PixData[k] to access the gradient values and  
533.     //      update the histogram  
534.   
535.     // 检测过程在每个金字塔层进行四次嵌套查询（暂时没有看出金字塔来），  
536.     // 利用滑动窗口扫描整幅图像，在滑动窗口内循环遍历每个block，在block中遍历每个cells，在cells中遍历每个像素  
537.     // 每次检测循环过程都要处理2维数组，这也就是说要进行8次嵌套，这是非常耗时的  
538.     //   利用HOGDescriptor用的compute|detect方法循环遍历每个窗口，在内部利用getWindow方法计算得到当前窗口值，设计一些开销，但是只是很少一部分  
539.     //   遍历cell和pixel的方法融合到一起，由于各个cell之间没有重叠，因而各个pixel仅仅计算一次  
540.     //   同样unrolled，利用PixData[k]得到梯度值，并更新直方图  
541.     //   遍历block的方法也同样是unrolled的，利用预先计算你的blockData去进一步计算梯度和直方图指针  
542.   
543.     //针对block个体，其中包含4个cell,对pixData进行初始化操作，  
544.     count1 = count2 = count4 = 0;//记录对不同数目cell做出贡献的像素个数  
545.     //遍历每个像素  
546.   
547.     //遍历扫描窗口内某个block  
548.     //计算单个block中的内所有像素的pixData值  
549.     //对单个block进行区域划分如下：  
550.     //{[A][B] [C][D]}  
551.     //{[E][F] [G][H]}  
552.     //  
553.     //{[I][J] [K][L]}  
554.     //{[M][N] [O][P]}    //参考tornadomeet文章内容  
555.   
556.     for( j = 0; j < blockSize.width; j++ )//blockSize.width == 16  
557.         for( i = 0; i < blockSize.height; i++ )//blockSize.height == 16  
558.         {  
559.             PixData* data = 0;//新建PixData指针  
560.             float cellX = (j+0.5f)/cellSize.width - 0.5f;//cellSize.width == 8  
561.             int icellX0 = cvFloor(cellX);  
562.             int icellX1 = icellX0 + 1;  
563.             cellX -= icellX0;//差值  
564.             //j = [0,3] icellX0 = -1，icellX1 = 0;  
565.             //j = [4,11] icellX0 = 0;icellX1 = 1  
566.             //j = [12,15] icellX0 = 1,icell1 = 2  
567.   
568.             float cellY = (i+0.5f)/cellSize.height - 0.5f;  
569.             int icellY0 = cvFloor(cellY);  
570.             int icellY1 = icellY0 + 1;  
571.             cellY -= icellY0;  
572.             //i = [0,3]  icellY0 = -1,icellY1 = 0  
573.             //i = [4,11] icellY0 = 0,icellY1 = 1  
574.             //i = [12,15] icellY0 = 1,icellY1 = 2  
575.   
576.             //cellY表示差值  
577.             //ncells(2,2),宽高均为2  
578.             if( (unsigned)icellX0 < (unsigned)ncells.width &&  
579.                 (unsigned)icellX1 < (unsigned)ncells.width )  
580.             {  
581.                 if( (unsigned)icellY0 < (unsigned)ncells.height &&  
582.                     (unsigned)icellY1 < (unsigned)ncells.height )  
583.                 {  
584.                     //区域 F、G、J、K  
585.                     //注意这里的unsigned，这里满足该约束条件的只能是icellX0 == 0;icellY0 == 0  
586.                     //当前区域内像素对四个cell值均有影响  
587.                     //需要明确的是，无论怎样，最终的结果仍然是每个cell产生一个九维向量，一个block共4*9 = 36维特征向量  
588.                     //ncells.height == 2  
589.                     data = &pixData[rawBlockSize*2 + (count4++)];//跳过前两类，直接对第三类（4）进行赋值操作  
590.                     data->histOfs[0] = (icellX0*ncells.height + icellY0)*nbins;//0*nbins  
591.                     data->histWeights[0] = (1.f - cellX)*(1.f - cellY);//权重，比较巧妙的计算，节省很多繁琐的过程  
592.                     data->histOfs[1] = (icellX1*ncells.height + icellY0)*nbins;//2*nbins  
593.                     data->histWeights[1] = cellX*(1.f - cellY);  
594.                     data->histOfs[2] = (icellX0*ncells.height + icellY1)*nbins;//1*bins  
595.                     data->histWeights[2] = (1.f - cellX)*cellY;  
596.                     data->histOfs[3] = (icellX1*ncells.height + icellY1)*nbins;//（2 + 1）*bins  
597.                     data->histWeights[3] = cellX*cellY;  
598.                     //histOfs表示当前像素对哪个直方图做出贡献，histWeight表示对 对应直方图做出贡献的权重  
599.                     //其他依次类推  
600.   
601.                 }  
602.                 else  
603.                 {  
604.                     //区域B、C、N、O  
605.                     data = &pixData[rawBlockSize + (count2++)];  
606.                     if( (unsigned)icellY0 < (unsigned)ncells.height )//unsigned(-1) > 2  
607.                     {  
608.                         //N、O  
609.                         icellY1 = icellY0;//icellY1 = 1,原值为2  
610.                         cellY = 1.f - cellY;  
611.                     }  
612.                     data->histOfs[0] = (icellX0*ncells.height + icellY1)*nbins;  
613.                     data->histWeights[0] = (1.f - cellX)*cellY;  
614.                     data->histOfs[1] = (icellX1*ncells.height + icellY1)*nbins;  
615.                     data->histWeights[1] = cellX*cellY;  
616.                     //设定两类权重  
617.                     data->histOfs[2] = data->histOfs[3] = 0;  
618.                     data->histWeights[2] = data->histWeights[3] = 0;  
619.                 }  
620.             }  
621.             else  
622.             {  
623.                 if( (unsigned)icellX0 < (unsigned)ncells.width )//icellX0 == 1  
624.                 {  
625.                     icellX1 = icellX0;  
626.                     cellX = 1.f - cellX;  
627.                 }  
628.   
629.                 if( (unsigned)icellY0 < (unsigned)ncells.height &&  
630.                     (unsigned)icellY1 < (unsigned)ncells.height )  
631.                 {  
632.                     //区域E、H、I、L  
633.                     data = &pixData[rawBlockSize + (count2++)];  
634.                     data->histOfs[0] = (icellX1*ncells.height + icellY0)*nbins;  
635.                     data->histWeights[0] = cellX*(1.f - cellY);  
636.                     data->histOfs[1] = (icellX1*ncells.height + icellY1)*nbins;  
637.                     data->histWeights[1] = cellX*cellY;  
638.                     data->histOfs[2] = data->histOfs[3] = 0;  
639.                     data->histWeights[2] = data->histWeights[3] = 0;  
640.                 }  
641.                 else  
642.                 {  
643.                     //区域A、D、M、P  
644.                     data = &pixData[count1++];  
645.                     if( (unsigned)icellY0 < (unsigned)ncells.height )  
646.                     {  
647.                         icellY1 = icellY0;  
648.                         cellY = 1.f - cellY;  
649.                     }  
650.                     data->histOfs[0] = (icellX1*ncells.height + icellY1)*nbins;  
651.                     data->histWeights[0] = cellX*cellY;  
652.                     //近对自身所在cell产生影响  
653.                     data->histOfs[1] = data->histOfs[2] = data->histOfs[3] = 0;  
654.                     data->histWeights[1] = data->histWeights[2] = data->histWeights[3] = 0;  
655.                 }  
656.             }  
657.             data->gradOfs = (grad.cols*i + j)*2;//tornadomeet给出的内容表示怀疑  
658.             data->qangleOfs = (qangle.cols*i + j)*2;//具体含义是，当前坐标(i,j)在grad/qangle图中相对block左上角坐标的位置偏移量  
659.             data->gradWeight = weights(i,j);//权重，比较容易理解  
660.         }//for循环结束，完成对pixData的赋值工作，明确一个block中每个像素负责的bins，及其贡献权重  
661.   
662.     assert( count1 + count2 + count4 == rawBlockSize );//最终保证每个像素均参与处理，其总和应为rawBlockSize  
663.     // defragment pixData//碎片整理，保证连续性，也就是对其进行移动  
664.     for( j = 0; j < count2; j++ )  
665.         pixData[j + count1] = pixData[j + rawBlockSize];  
666.     for( j = 0; j < count4; j++ )  
667.         pixData[j + count1 + count2] = pixData[j + rawBlockSize*2];  
668.     count2 += count1;  
669.     count4 += count2;//记录各自的起始位置  
670.   
671.     // initialize blockData  
672.     for( j = 0; j < nblocks.width; j++ )  
673.         for( i = 0; i < nblocks.height; i++ )  
674.         {  
675.             BlockData& data = blockData[j*nblocks.height + i];//得到第（i，j）个block的地址  
676.             data.histOfs = (j*nblocks.height + i)*blockHistogramSize;//定位当前block产生的描述算子在扫描窗口整体描述算子中的起始位置  
677.             data.imgOffset = Point(j*blockStride.width,i*blockStride.height);//定位其在扫描窗口内的相对坐标  
678.         }  
679. }  
680.   
681. //pt为该block在原始img图像中的左上角坐标（可以用来确定其梯度方向值等等），buf为当前block所贡献直方图的起始位置  
682. //很奇怪的是这里的参数buf指向的内容和最终程序返回的内容是同一个内容吧？解答：在利用cache处理的时候会出现不同的值  
683. const float* HOGCache::getBlock(Point pt, float* buf)  
684. {  
685.     float* blockHist = buf;//得到指向直方图位置的指针  
686.     assert(descriptor != 0);  
687.   
688.     Size blockSize = descriptor->blockSize;//block块的大小(16*16)  
689.     pt += imgoffset;//pt+填充偏移量，表示当前block在扩展图像中的坐标位置（grad/qangle）  
690.   
691.     //验证pt满足约束条件，不能超出grad下边界-XX距离  
692.     CV_Assert( (unsigned)pt.x <= (unsigned)(grad.cols - blockSize.width) &&  
693.                (unsigned)pt.y <= (unsigned)(grad.rows - blockSize.height) );  
694.   
695.     //使用缓存，暂时不考虑，跳过  
696.     if( useCache )  
697.     {  
698.         CV_Assert( pt.x % cacheStride.width == 0 &&  
699.                    pt.y % cacheStride.height == 0 );  
700.         Point cacheIdx(pt.x/cacheStride.width,  
701.                       (pt.y/cacheStride.height) % blockCache.rows);  
702.         if( pt.y != ymaxCached[cacheIdx.y] )  
703.         {  
704.             Mat_<uchar> cacheRow = blockCacheFlags.row(cacheIdx.y);  
705.             cacheRow = (uchar)0;  
706.             ymaxCached[cacheIdx.y] = pt.y;  
707.         }  
708.   
709.         blockHist = &blockCache[cacheIdx.y][cacheIdx.x*blockHistogramSize];  
710.         uchar& computedFlag = blockCacheFlags(cacheIdx.y, cacheIdx.x);  
711.         if( computedFlag != 0 )  
712.             return blockHist;  
713.         computedFlag = (uchar)1; // set it at once, before actual computing  
714.     }  
715.     //分别得到影响不同数量cell的像素个数  
716.     int k, C1 = count1, C2 = count2, C4 = count4;  
717.   
718.     //获得grad、qangle中指向该block位置的指针  
719.     //step：是一个数组，定义了矩阵的布局step[0]表示第一位的长度，step[1]表示第二维的长度，以此类推  
720.     const float* gradPtr = (const float*)(grad.data + grad.step*pt.y) + pt.x*2;//*2 的原因是每个单元均为2维元素  
721.     const uchar* qanglePtr = qangle.data + qangle.step*pt.y + pt.x*2;  
722.     CV_Assert( blockHist != 0 );  
723.   
724. #ifdef HAVE_IPP  
725.     ippsZero_32f(blockHist,blockHistogramSize);  
726. #else  
727.     for( k = 0; k < blockHistogramSize; k++ )  
728.         blockHist[k] = 0.f;//对当前直方图进行初始化操作，初始化为0.f  
729. #endif  
730.   
731.     const PixData* _pixData = &pixData[0];//获得pixData的指针  
732.     //pixData的存储方式是连续存放的[...C1...C2...C4],所以可以经由k值依次读取，可以完成对一个block中所有像素的遍历  
733.     //先对影响个数为1的像素进行统计，也就是四个角的区域  
734.     for( k = 0; k < C1; k++ )  
735.     {  
736.         const PixData& pk = _pixData[k];  
737.         const float* a = gradPtr + pk.gradOfs;//这里的gradPtr指向的是当前block对应grad中的起始位置，与gradOfs进行相加，得到  
738.                                               //当前像素在grad中的位置信息，这里因为不再是i、j遍历，所以用这种方式得到当前像素的位置信息  
739.         float w = pk.gradWeight*pk.histWeights[0];//权重的计算，因为只有一个影响cell，所以只需一次计算  
740.         const uchar* h = qanglePtr + pk.qangleOfs;  
741.         int h0 = h[0], h1 = h[1];//得到两个bin方向值  
742.         float* hist = blockHist + pk.histOfs[0];//确定当前像素影响的cell  
743.         float t0 = hist[h0] + a[0]*w;//累加，对应不同bin值  
744.         float t1 = hist[h1] + a[1]*w;//累加  
745.         hist[h0] = t0; hist[h1] = t1;//对影响cell的对应的直方图进行赋值  
746.     }  
747.   
748.     for( ; k < C2; k++ )//类似计算  
749.     {  
750.         const PixData& pk = _pixData[k];  
751.         const float* a = gradPtr + pk.gradOfs;  
752.         float w, t0, t1, a0 = a[0], a1 = a[1];  
753.         const uchar* h = qanglePtr + pk.qangleOfs;  
754.         int h0 = h[0], h1 = h[1];  
755.   
756.         float* hist = blockHist + pk.histOfs[0];  
757.         w = pk.gradWeight*pk.histWeights[0];  
758.         t0 = hist[h0] + a0*w;  
759.         t1 = hist[h1] + a1*w;  
760.         hist[h0] = t0; hist[h1] = t1;  
761.   
762.         hist = blockHist + pk.histOfs[1];  
763.         w = pk.gradWeight*pk.histWeights[1];  
764.         t0 = hist[h0] + a0*w;  
765.         t1 = hist[h1] + a1*w;  
766.         hist[h0] = t0; hist[h1] = t1;  
767.     }  
768.   
769.     for( ; k < C4; k++ )//类似计算  
770.     {  
771.         const PixData& pk = _pixData[k];  
772.         const float* a = gradPtr + pk.gradOfs;  
773.         float w, t0, t1, a0 = a[0], a1 = a[1];  
774.         const uchar* h = qanglePtr + pk.qangleOfs;  
775.         int h0 = h[0], h1 = h[1];  
776.   
777.         float* hist = blockHist + pk.histOfs[0];  
778.         w = pk.gradWeight*pk.histWeights[0];  
779.         t0 = hist[h0] + a0*w;  
780.         t1 = hist[h1] + a1*w;  
781.         hist[h0] = t0; hist[h1] = t1;  
782.   
783.         hist = blockHist + pk.histOfs[1];  
784.         w = pk.gradWeight*pk.histWeights[1];  
785.         t0 = hist[h0] + a0*w;  
786.         t1 = hist[h1] + a1*w;  
787.         hist[h0] = t0; hist[h1] = t1;  
788.   
789.         hist = blockHist + pk.histOfs[2];  
790.         w = pk.gradWeight*pk.histWeights[2];  
791.         t0 = hist[h0] + a0*w;  
792.         t1 = hist[h1] + a1*w;  
793.         hist[h0] = t0; hist[h1] = t1;  
794.   
795.         hist = blockHist + pk.histOfs[3];  
796.         w = pk.gradWeight*pk.histWeights[3];  
797.         t0 = hist[h0] + a0*w;  
798.         t1 = hist[h1] + a1*w;  
799.         hist[h0] = t0; hist[h1] = t1;  
800.     }  
801.   
802.     normalizeBlockHistogram(blockHist);//对生成的blockHist进行归一化处理  
803.   
804.     return blockHist;//将最终得到的block直方图返回  
805. }  
806.   
807. //对block梯度方向直方图进行归一化处理，两次处理..  
808. void HOGCache::normalizeBlockHistogram(float* _hist) const  
809. {  
810.     float* hist = &_hist[0];  
811. #ifdef HAVE_IPP  
812.     size_t sz = blockHistogramSize;  
813. #else  
814.     size_t i, sz = blockHistogramSize;//blockHistogramSize表示直方图所含维数  
815. #endif  
816.   
817.     float sum = 0;  
818. #ifdef HAVE_IPP  
819.     ippsDotProd_32f(hist,hist,sz,&sum);  
820. #else  
821.     for( i = 0; i < sz; i++ )  
822.         sum += hist[i]*hist[i];//平方和？  
823. #endif  
824.   
825.     float scale = 1.f/(std::sqrt(sum)+sz*0.1f), thresh = (float)descriptor->L2HysThreshold;  
826.     //获得变换系数，及最大阈值  
827. #ifdef HAVE_IPP  
828.     ippsMulC_32f_I(scale,hist,sz);  
829.     ippsThreshold_32f_I( hist, sz, thresh, ippCmpGreater );  
830.     ippsDotProd_32f(hist,hist,sz,&sum);  
831. #else  
832.     for( i = 0, sum = 0; i < sz; i++ )  
833.     {  
834.         hist[i] = std::min(hist[i]*scale, thresh);//在第一次的基础上继续求解平方和  
835.         sum += hist[i]*hist[i];  
836.     }  
837. #endif  
838.   
839.     scale = 1.f/(std::sqrt(sum)+1e-3f);  
840. #ifdef HAVE_IPP  
841.     ippsMulC_32f_I(scale,hist,sz);  
842. #else  
843.     for( i = 0; i < sz; i++ )  
844.         hist[i] *= scale;//直接乘以系数，得到最终的归一化结果  
845. #endif  
846. }  
847.   
848. //得到单幅图像中扫描窗口的个数  
849. Size HOGCache::windowsInImage(Size imageSize, Size winStride) const  
850. {  
851.     return Size((imageSize.width - winSize.width)/winStride.width + 1,  
852.                 (imageSize.height - winSize.height)/winStride.height + 1);  
853. }  
854.   
855. //确定idx索引得到的扫描窗口具体位置  
856. Rect HOGCache::getWindow(Size imageSize, Size winStride, int idx) const  
857. {  
858.     int nwindowsX = (imageSize.width - winSize.width)/winStride.width + 1;//x轴方向排列扫描窗口个数  
859.     int y = idx / nwindowsX;//得到索引idx扫描窗口的y轴坐标  
860.     int x = idx - nwindowsX*y;//得到索引idx扫描窗口的x轴坐标  
861.     return Rect( x*winStride.width, y*winStride.height, winSize.width, winSize.height );  
862.     //确定idx个扫描串口所在的位置，主要是左上角坐标，其宽度与高度已经确定  
863. }  
864.   
865. //HOGCache结束..  
866. //HOGCache是一次计算得到直方图计算公式，之后利用grad、qangle套用公式则可以得到每个扫描窗口的特征向量  
867.   
868.   
869. //这里计算的最终结果是输入图像中 所有扫描窗口或若干指定扫描窗口（locations决定）的特征向量的集合  
870. //img，输入图像；descriptors；计算得到的特征向量，winStride，扫描窗口每次移动位置；padding，填充区域大小  
871. //locations，定位若干个扫描窗口进行特征向量的计算  
872. void HOGDescriptor::compute(const Mat& img, vector<float>& descriptors,  
873.                             Size winStride, Size padding,  
874.                             const vector<Point>& locations) const  
875. {  
876.     if( winStride == Size() )  
877.         winStride = cellSize;//如果winStride的为空，则将其设定为cellSize，这里的winStride是滑动窗口每次移动的距离  
878.     //gcd(x,y)求两数的最大公约数，  
879.     Size cacheStride(gcd(winStride.width, blockStride.width),  
880.                      gcd(winStride.height, blockStride.height));//缓存每次移动距离，在useCache == 0的情形下，并没有发挥作用，  
881.     size_t nwindows = locations.size();//确定扫描窗口的个数  
882.     //alignSize(m, n)返回n的倍数大于等于m的最小值eg.alignSize（7,3） == 9  
883.     padding.width = (int)alignSize(std::max(padding.width, 0), cacheStride.width);  
884.     padding.height = (int)alignSize(std::max(padding.height, 0), cacheStride.height);  
885.   
886.     Size paddedImgSize(img.cols + padding.width*2, img.rows + padding.height*2);//确定填充后img的尺寸，这里的填充是为了计算梯度值  
887.   
888.     //对原始图像进行缓冲结构体的计算，  
889.     //每次都要进行一次计算，不是一种浪费么？== 这里的compute的函数是在怎样的情形下进行调用的还不清楚，也许只调用一次呢  
890.     HOGCache cache(this, img, padding, padding, nwindows == 0, cacheStride);//得到HOG缓冲体  
891.     //完成梯度方向图的计算，并对blockData及pixData进行初始化操作，  
892.   
893.     if( !nwindows )//如果nwindows == 0，则表示locations为空，则对所有扫描窗口进行计算  
894.         nwindows = cache.windowsInImage(paddedImgSize, winStride).area();//整幅图像中包含扫描窗口个数  
895.   
896.     const HOGCache::BlockData* blockData = &cache.blockData[0];//获得缓冲体内block指针  
897.   
898.     int nblocks = cache.nblocks.area();//单个扫描窗口内包含block的个数  
899.     int blockHistogramSize = cache.blockHistogramSize;//单个block贡献直方图维数  
900.     size_t dsize = getDescriptorSize();//获得一个滑动窗口内特征向量大小  
901.     descriptors.resize(dsize*nwindows);//整幅原始img图像所包含特征向量维数（若干个扫描窗口的特征向量集合）  
902.   
903.     for( size_t i = 0; i < nwindows; i++ )//对每个扫描窗口进行计算，这里要逐一计算特征向量  
904.     {  
905.         float* descriptor = &descriptors[i*dsize];//得到该扫描窗口对应特征向量在descriptors中的起始位置，  
906.         Point pt0;  
907.         if( !locations.empty() )//非空，表示存在若干个指定位置的扫描窗口  
908.         {  
909.             pt0 = locations[i];  
910.             //不满足约束条件 继续，不进行处理  
911.             if( pt0.x < -padding.width || pt0.x > img.cols + padding.width - winSize.width ||  
912.                 pt0.y < -padding.height || pt0.y > img.rows + padding.height - winSize.height )  
913.                 continue;  
914.         }  
915.         else//并未指定，则依次遍历  
916.         {  
917.             pt0 = cache.getWindow(paddedImgSize, winStride, (int)i).tl() - Point(padding);//第i个扫描窗口在原始img图像中的左上坐标  
918.             CV_Assert(pt0.x % cacheStride.width == 0 && pt0.y % cacheStride.height == 0);  
919.         }  
920.         //pt0,表示扫描窗口在原始img图像中的位置  
921.         //针对单个扫描窗口内，计算其每个block直方图值，  
922.         for( int j = 0; j < nblocks; j++ )  
923.         {  
924.             const HOGCache::BlockData& bj = blockData[j];//定位当前block在blockData中的位置  
925.             Point pt = pt0 + bj.imgOffset;//该block在原始img中的左上角坐标：扫描窗口在img中坐标+block在扫描窗口中坐标  
926.   
927.             float* dst = descriptor + bj.histOfs;//当前block贡献直方图的起始位置  
928.             const float* src = cache.getBlock(pt, dst);//计算当前block直方图，并得到指向指针  
929.             if( src != dst )//一般情况下是应该相等的，什么时候会出现不相等的情形，利用cache进行加速的时候  
930. #ifdef HAVE_IPP  
931.                ippsCopy_32f(src,dst,blockHistogramSize);  
932. #else  
933.                 for( int k = 0; k < blockHistogramSize; k++ )  
934.                     dst[k] = src[k];//利用计算得到的直方图对最终直方图（descriptors）中的对应区域进行赋值操作。  
935. #endif  
936.         }  
937.     }  
938.     //对所有扫描窗口进行计算特征向量并保存到descriptors中  
939. }  
940.   
941. //检测过程，是对单幅图像进行的检测过程，可以利用这里的locations做点文章  
942. //无论怎样这里的grad、qangle值 还有blockdata、pixData都是要进行计算的，  
943. //可以进一步优化的地方在于对于blockData、pixData的计算结果进行保存，在相同尺寸的原始图像中不需要再次进行计算  
944. //img待检测图像；hits存储检测到行人的扫描窗口的左上角坐标，  
945. //weights存储检测到行人的扫描窗口的s值  
946. //hitThreshold检测阈值；winstride，padding，locations  
947. void HOGDescriptor::detect(const Mat& img,  
948.     vector<Point>& hits, vector<double>& weights, double hitThreshold,   
949.     Size winStride, Size padding, const vector<Point>& locations) const  
950. {  
951.     hits.clear();  
952.     if( svmDetector.empty() )  
953.         return;  
954.   
955.     if( winStride == Size() )  
956.         winStride = cellSize;  
957.     Size cacheStride(gcd(winStride.width, blockStride.width),  
958.                      gcd(winStride.height, blockStride.height));  
959.     size_t nwindows = locations.size();  
960.     //alignSize(m, n)返回n的倍数大于等于m的最小值eg.alignSize（7,3） == 9  
961.     padding.width = (int)alignSize(std::max(padding.width, 0), cacheStride.width);  
962.     padding.height = (int)alignSize(std::max(padding.height, 0), cacheStride.height);  
963.     Size paddedImgSize(img.cols + padding.width*2, img.rows + padding.height*2);//确定填充后图像尺寸  
964.   
965.     HOGCache cache(this, img, padding, padding, nwindows == 0, cacheStride);  
966.     //完成梯度图，方向图的计算及blockData、pixData的初始化工作  
967.   
968.     if( !nwindows )  
969.         nwindows = cache.windowsInImage(paddedImgSize, winStride).area();  
970.   
971.     const HOGCache::BlockData* blockData = &cache.blockData[0];  
972.   
973.     int nblocks = cache.nblocks.area();//一个扫描窗口中block的个数  
974.     int blockHistogramSize = cache.blockHistogramSize;//一个block中特征向量的维数  
975.     size_t dsize = getDescriptorSize();//一个扫描窗口中特征向量的维数  
976.   
977.     double rho = svmDetector.size() > dsize ? svmDetector[dsize] : 0;//暂时不了解含义  
978.     vector<float> blockHist(blockHistogramSize);//确定维数的block直方图  
979.   
980.     for( size_t i = 0; i < nwindows; i++ )//对所有待处理扫描窗口进行计算  
981.     {  
982.         Point pt0;  
983.         if( !locations.empty() )//locations非空  
984.         {  
985.             pt0 = locations[i];  
986.             //不满足约束条件  
987.             if( pt0.x < -padding.width || pt0.x > img.cols + padding.width - winSize.width ||  
988.                 pt0.y < -padding.height || pt0.y > img.rows + padding.height - winSize.height )  
989.                 continue;  
990.         }  
991.         else  
992.         {  
993.             pt0 = cache.getWindow(paddedImgSize, winStride, (int)i).tl() - Point(padding);  
994.             CV_Assert(pt0.x % cacheStride.width == 0 && pt0.y % cacheStride.height == 0);  
995.         }  
996.         double s = rho;  
997.         const float* svmVec = &svmDetector[0];//指向检测器  
998. #ifdef HAVE_IPP  
999.         int j;  
1000. #else  
1001.         int j, k;  
1002. #endif  
1003.         //对当前指定扫描窗口进行计算，对包含的每个block进行一个判别过程  
1004.         for( j = 0; j < nblocks; j++, svmVec += blockHistogramSize )  
1005.         {  
1006.             const HOGCache::BlockData& bj = blockData[j];//一个扫描窗口中第j个block的信息  
1007.             Point pt = pt0 + bj.imgOffset;//当前block在原始img图像中的位置  
1008.   
1009.             const float* vec = cache.getBlock(pt, &blockHist[0]);//得到当前block的直方图  
1010. #ifdef HAVE_IPP  
1011.             Ipp32f partSum;  
1012.             ippsDotProd_32f(vec,svmVec,blockHistogramSize,&partSum);  
1013.             s += (double)partSum;  
1014. #else  
1015.             //每个产生的block描述算子分别参与分类判别  
1016.             for( k = 0; k <= blockHistogramSize - 4; k += 4 )  
1017.                 s += vec[k]*svmVec[k] + vec[k+1]*svmVec[k+1] +  
1018.                     vec[k+2]*svmVec[k+2] + vec[k+3]*svmVec[k+3];  
1019.             for( ; k < blockHistogramSize; k++ )  
1020.                 s += vec[k]*svmVec[k];  
1021.             //需要了解的是这里个svmVec的内容是什么，与特征向量同等维度的向量值，然后呢  
1022.             //s = vec * svmVec  
1023.             //设定4是为了减少循环次数，  
1024.             //又需要明确svmVec的产生过程，这里先暂时放在这里，只需要知道S = vec * svmVec，之后与阈值hitThreshold进行判断，足矣，  
1025. #endif  
1026.         }  
1027.         if( s >= hitThreshold )//超过既定阈值，说明包含行人  
1028.         {  
1029.             hits.push_back(pt0);  
1030.             weights.push_back(s);  
1031.         }  
1032.     }  
1033. }  
1034.   
1035. //不保留weights的检测过程  
1036. void HOGDescriptor::detect(const Mat& img, vector<Point>& hits, double hitThreshold,   
1037.                            Size winStride, Size padding, const vector<Point>& locations) const  
1038. {  
1039.     vector<double> weightsV;  
1040.     detect(img, hits, weightsV, hitThreshold, winStride, padding, locations);  
1041. }  
1042.   
1043. //这个结构体的作用又是什么呢？在之后的detectMultiScale中会用到  
1044.   
1045. struct HOGInvoker//构造一个供parallel_for使用的循环结构体  
1046. {  
1047.     //出现金字塔相关内容了：levelScale  
1048.     HOGInvoker( const HOGDescriptor* _hog, const Mat& _img,  
1049.                 double _hitThreshold, Size _winStride, Size _padding,  
1050.                 const double* _levelScale, ConcurrentRectVector* _vec,   
1051.                 ConcurrentDoubleVector* _weights=0, ConcurrentDoubleVector* _scales=0 )   
1052.     {  
1053.         hog = _hog;  
1054.         img = _img;  
1055.         hitThreshold = _hitThreshold;  
1056.         winStride = _winStride;  
1057.         padding = _padding;  
1058.         levelScale = _levelScale;  
1059.         vec = _vec;  
1060.         weights = _weights;  
1061.         scales = _scales;  
1062.     }  
1063.   
1064.     void operator()( const BlockedRange& range ) const  
1065.     {  
1066.         int i, i1 = range.begin(), i2 = range.end();  
1067.         double minScale = i1 > 0 ? levelScale[i1] : i2 > 1 ? levelScale[i1+1] : std::max(img.cols, img.rows);  
1068.         //最小尺度的计算，  
1069.         /*if i1 > 0  
1070.          *  minScale = levelScale[i1];  
1071.          *else if i2 > 1  
1072.          *  minScale = levelScale[i1 + 1]  
1073.          *else  
1074.          *  minScale = max(img.cols,img.rows)？？  
1075.          **/  
1076.         Size maxSz(cvCeil(img.cols/minScale), cvCeil(img.rows/minScale));//得到最大可能内存空间？  
1077.         Mat smallerImgBuf(maxSz, img.type());//创建内存空间，  
1078.         vector<Point> locations;//定位  
1079.         vector<double> hitsWeights;//  
1080.   
1081.         for( i = i1; i < i2; i++ )  
1082.         {  
1083.             double scale = levelScale[i];//当前变化比例  
1084.             Size sz(cvRound(img.cols/scale), cvRound(img.rows/scale));//变化后的图像尺寸  
1085.             Mat smallerImg(sz, img.type(), smallerImgBuf.data);//从buf中划分适当的内存空间给当前smallerImg  
1086.             if( sz == img.size() )//对原始img图像进行比例变化，得到smallerImg  
1087.                 smallerImg = Mat(sz, img.type(), img.data, img.step);  
1088.             else  
1089.                 resize(img, smallerImg, sz);//进行尺度变换  
1090.             //对变化后的samllerImg进行detect操作  
1091.             hog->detect(smallerImg, locations, hitsWeights, hitThreshold, winStride, padding);  
1092.             //这里的location，hitWeight保存检测含有行人的扫描窗口的相关信息  
1093.             Size scaledWinSize = Size(cvRound(hog->winSize.width*scale), cvRound(hog->winSize.height*scale));  
1094.             //得到当前尺度下扫描窗口（64*128）对应变换前原始img尺寸大小  
1095.             for( size_t j = 0; j < locations.size(); j++ )  
1096.             {  
1097.                 vec->push_back(Rect(cvRound(locations[j].x*scale),  
1098.                                     cvRound(locations[j].y*scale),  
1099.                                     scaledWinSize.width, scaledWinSize.height));  
1100.                 //保存期在原始图像中的位置信息  
1101.                 if (scales) {  
1102.                     scales->push_back(scale);//保存比例信息  
1103.                 }  
1104.             }  
1105.               
1106.             if (weights && (!hitsWeights.empty()))  
1107.             {  
1108.                 for (size_t j = 0; j < locations.size(); j++)  
1109.                 {  
1110.                     weights->push_back(hitsWeights[j]);//如果detect过程保留了weight，则进一步保存weight信息  
1111.                 }  
1112.             }          
1113.         }  
1114.     }  
1115.   
1116.     const HOGDescriptor* hog;//descriptor  
1117.     Mat img;//待检测图像  
1118.     double hitThreshold;//svm检测阈值  
1119.     Size winStride;//窗口移动距离  
1120.     Size padding;//填充尺寸  
1121.     const double* levelScale;//&levelScale[0]  
1122.     ConcurrentRectVector* vec;//得到扫描窗口在原始img图像中位置  
1123.     ConcurrentDoubleVector* weights;//权重  
1124.     ConcurrentDoubleVector* scales;//每个保留窗口对应scale值  
1125. };  
1126.   
1127. //重点看一下如何解决多尺度问题  
1128. //scale0表示多尺度之间的变化系数，scale0 <= 1时，表示无多尺度变化  
1129. void HOGDescriptor::detectMultiScale(  
1130.     const Mat& img, vector<Rect>& foundLocations, vector<double>& foundWeights,  
1131.     double hitThreshold, Size winStride, Size padding,  
1132.     double scale0, double finalThreshold, bool useMeanshiftGrouping) const    
1133. {  
1134.     double scale = 1.;  
1135.     int levels = 0;  
1136.   
1137.     vector<double> levelScale;  
1138.     //这里可以看到scale的值不断变大，也就是说这里的尺度变化时对原始img图像不断等比例缩小的过程，也就是所谓的金字塔了  
1139.     //原始图像比例不断变化，而扫描窗口尺寸保持不变  
1140.     for( levels = 0; levels < nlevels; levels++ )  
1141.     {  
1142.         levelScale.push_back(scale);//记录每个level上的变化尺度，当变化结果不满足一个扫描窗口大小时，提前结束  
1143.         //cvRound返回最接近参数的整数  
1144.         if( cvRound(img.cols/scale) < winSize.width ||  
1145.             cvRound(img.rows/scale) < winSize.height ||  
1146.             scale0 <= 1 )  
1147.             break;  
1148.         scale *= scale0;//scale0 > 0,因而scale的数值成倍增加，同样意味着img的尺寸成倍缩小  
1149.     }  
1150.     levels = std::max(levels, 1);//确定可以变化的层数，（不一定是参数中给定的nlevels）  
1151.     levelScale.resize(levels);//对levelScale尺寸进行确定，  
1152.   
1153.     ConcurrentRectVector allCandidates;//保留所有检测到的扫描窗口的矩形框信息  
1154.     ConcurrentDoubleVector tempScales;//保留检测到扫描窗口对应的尺度信息  
1155.     ConcurrentDoubleVector tempWeights;//保留检测到的扫面窗口时的svm求和结果  
1156.     vector<double> foundScales;//  
1157.     //parallel_for 循环访问一个索引范围，并在每次迭代时以并行方式执行用户提供的函数  
1158.     //并行处理每个尺度的计算过程  
1159.     parallel_for(BlockedRange(0, (int)levelScale.size()),  
1160.                  HOGInvoker(this, img, hitThreshold, winStride, padding,  
1161.                             &levelScale[0], &allCandidates, &tempWeights, &tempScales));  
1162.   
1163.     std::copy(tempScales.begin(), tempScales.end(), back_inserter(foundScales));  
1164.     foundLocations.clear();  
1165.     std::copy(allCandidates.begin(), allCandidates.end(), back_inserter(foundLocations));  
1166.     foundWeights.clear();  
1167.     std::copy(tempWeights.begin(), tempWeights.end(), back_inserter(foundWeights));  
1168.     //将得到的临时数据插入foundXX中保存  
1169.     if ( useMeanshiftGrouping )  
1170.     {  
1171.         //领用meanshift对矩形框进行聚类操作  
1172.         groupRectangles_meanshift(foundLocations, foundWeights, foundScales, finalThreshold, winSize);  
1173.     }  
1174.     else  
1175.     {  
1176.         //对矩形框进行简单聚类  
1177.         groupRectangles(foundLocations, (int)finalThreshold, 0.2);  
1178.     }  
1179. }  
1180.   
1181. void HOGDescriptor::detectMultiScale(const Mat& img, vector<Rect>& foundLocations,   
1182.                                      double hitThreshold, Size winStride, Size padding,  
1183.                                      double scale0, double finalThreshold, bool useMeanshiftGrouping) const    
1184. {  
1185.     vector<double> foundWeights;  
1186.     detectMultiScale(img, foundLocations, foundWeights, hitThreshold, winStride,   
1187.                      padding, scale0, finalThreshold, useMeanshiftGrouping);  
1188. }