4.       generatePositiveData(frame1,num_warps_init)

输入：

当前帧图像：frame1

图像块变换次数：num_warps_init

最相似边界框：best_box

相似边界框：good_boxes

   输出：

              集成分类器正样本集：pX

              best_box图像块处理结果：pEx

描述：

getPattern(frame(best_box),pEx,mean,stdev):

frame(best_box)为该帧图像中best_box边界框对应图像块；将该图像块resize

为15*15的大小；计算该图像的均值、方差，分别存放到mean、stdev中；将该

图像块与均值作差的结果存于pEx中。

        generator(frame,pt,warped,bbhull.size(),rng)：

        pt为good_boxes最大边界框（2中有提到）的中心点；该函数对每个good_box对

应图像块仿射变换：±1%范围的偏移，±1%范围的尺度变化，±10%范围的平面

内旋转，并且在每个像素上增加方差为5的高斯噪声（确切的大小是在指定的范

围内随机选择的），共计num_warps_init种。

关于该部分，详情见《关于PatchGenerator类 》 

     对每一仿射图像块计算特征，并存于pX中。

        classifier.getFeatures(patch,grid[idx].sidx,fern)：

        对尺度grid[idx].sidx下的图像块patch，使用3中定义的位置计算特征，并存于

        fern中。

注意：

         原C++版本作者此处代码有误。没有用到变换后的图像块。

   （也有朋友说没有错，待验证，但修改的一定是正确的）

修改方法一：

    将generator(frame,pt,warped,bbhull.size(),rng);

    修改成generator(img,pt,img,frame.size(),rng);

修改方法二：

    将整个for循环内容修改为：

    for (int i=0;i<num_warps;i++)

   {

     if(i == 0)

     {

for (int b = 0; b < good_boxes.size(); b ++)

{

   idx=good_boxes[b];

   patch = img(grid[idx]);

   classifier.getFeatures(patch, grid[idx].sidx, fern);

   pX.push_back(make_pair(fern,1));

}

   }

  else

   {

      generator(img,pt,warped,bbhull.size(),rng);

      for (int b = 0; b < good_boxes.size(); b ++)

      {

idx=good_boxes[b];

Rect region(grid[idx].x-bbhull.x, grid[idx].y - bbhull.y, grid[idx].width, grid[idx].height);

patch = warped(region);

classifier.getFeatures(patch, grid[idx].sidx, fern);

pX.push_back(make_pair(fern,1));

     }

  }

}

5.       meanStdDev(frame1(best_box),mean,stdev)

输入：

最相似图像块：frame1(best_box)

输出：

图像块均值：mean

图像块标准差：stdev

描述：

计算best_box边界框对应图像块的均值和标准差，并分别存于mean、stdev中。

6.       integral(frame1,iisum,iisqsum)

输入：

        整帧图像：frame1

输出：

        积分图：iisum

        平方积分图：iisqum

描述：

        对整帧图像计算积分图、图像平方的积分图

7.       generateNegativeData(frame1)

输入：

         整帧图像：frame1

              模板个数：bad_patches

        所有不重叠边界框：bad_boxes

        积分图：iisum

        平方积分图：iisqum

输出：

         负样本特征集：nX

         负样本模板集：nEx

描述：

               random_shuffle(bad_boxes.begin(),bad_boxes.end())：

       随机打乱bad_boxes的顺序。

       取所有bad_boxes边界框中，方差值高于best_box图像块阈值一半的图像块，计算

特征并保存到nX中。(why?：因为检测的时候，方差分类器位于集合分类器的前一

级。也就是说，方差低于0.5倍best_box图像块方差的部分都被排除，如果在此处

将其作为负样本是没有意义的，甚至会降低集合分类器的检测效果。)

              任取bad_patches个图像块作为负模板。

注意：

      原程序版本有错，对方差分类器方差重复取50%。

      将if (getVar(grid[idx],iisum,iisqsum)<var*0.5f)

      修改成if (getVar(grid[idx],iisum,iisqsum)<var*1.0f)

下一节见《TLD源码深度分析：初始化模块（三）》

注：若存在说法看不明白的，请留言询问！