TLD（Tracking-Learning-Detection）学习与源码理解之（六）下

      下面是自己在看论文和这些大牛的分析过程中，对代码进行了一些理解，但是由于自己接触图像处理和机器视觉没多久，另外由于自己编程能力比较弱，所以分析过程可能会有不少的错误，希望各位不吝指正。而且，因为编程很多地方不懂，所以注释得非常乱，还海涵。

TLD.cpp

1. /*
2.  * TLD.cpp
3.  */  
4.   
5. #include <TLD.h>  
6. #include <stdio.h>  
7. using namespace cv;  
8. using namespace std;  
9.   
10.   
11. TLD::TLD()  
12. {  
13. }  
14. TLD::TLD(const FileNode& file){  
15.   read(file);  
16. }  
17.   
18. void TLD::read(const FileNode& file){  
19.   /// 边界框参数
20.   min_win = (int)file["min_win"];  
21.   /// 发电机参数
22.   // 初步参数为正例
23.   patch_size = (int)file["patch_size"];  
24.   num_closest_init = (int)file["num_closest_init"];  
25.   num_warps_init = (int)file["num_warps_init"];  
26.   noise_init = (int)file["noise_init"];  
27.   angle_init = (float)file["angle_init"];  
28.   shift_init = (float)file["shift_init"];  
29.   scale_init = (float)file["scale_init"];  
30.   // 更新参数为正例
31.   num_closest_update = (int)file["num_closest_update"];  
32.   num_warps_update = (int)file["num_warps_update"];  
33.   noise_update = (int)file["noise_update"];  
34.   angle_update = (float)file["angle_update"];  
35.   shift_update = (float)file["shift_update"];  
36.   scale_update = (float)file["scale_update"];  
37.   // 参数为负例
38.   bad_overlap = (float)file["overlap"];  
39.   bad_patches = (int)file["num_patches"];  
40.   classifier.read(file);  
41. }  
42.   
43. //此函数完成准备工作  
44. void TLD::init(const Mat& frame1, const Rect& box, FILE* bb_file){  
45.   //bb_file = fopen("bounding_boxes.txt","w");  
46.   // 获取边框
47.   //此函数根据传入的box（目标边界框）在传入的图像frame1中构建全部的扫描窗口，并计算重叠度  
48.     buildGrid(frame1, box);  
49.     printf("Created %d bounding boxes\n",(int)grid.size());  //vector的成员size()用于获取向量元素的个数  
50.       
51.   /// 制备
52.   // 分配
53.   //积分图像，用以计算2bitBP特征（类似于haar特征的计算）  
54.   //Mat的创建，方式有两种：1.调用create（行，列，类型）2.Mat（行，列，类型（值））。  
55.   iisum.create(frame1.rows+1, frame1.cols+1, CV_32F);  
56.   iisqsum.create(frame1.rows+1, frame1.cols+1, CV_64F);  
57.     
58.   //Detector data中定义：std::vector<float> dconf;  检测确信度？？  
59.   //vector 的reserve增加了vector的capacity，但是它的size没有改变！而resize改变了vector  
60.   //的capacity同时也增加了它的size！reserve是容器预留空间，但在空间内不真正创建元素对象，  
61.   //所以在没有添加新的对象之前，不能引用容器内的元素。  
62.   //不管是调用resize还是reserve，二者对容器原有的元素都没有影响。  
63.   //myVec.reserve( 100 );     // 新元素还没有构造, 此时不能用[]访问元素  
64.   //myVec.resize( 100 );      // 用元素的默认构造函数构造了100个新的元素，可以直接操作新元素  
65.   dconf.reserve(100);  
66.   dbb.reserve(100);  
67.   bbox_step =7;  
68.     
69.   //以下在Detector data中定义的容器都给其分配grid.size()大小（这个是一幅图像中全部的扫描窗口个数）的容量  
70.   //Detector data中定义TempStruct tmp;    
71.   //tmp.conf.reserve(grid.size());  
72.   tmp.conf = vector<float>(grid.size());  
73.   tmp.patt = vector<vector<int> >(grid.size(), vector<int>(10,0));  
74.   //tmp.patt.reserve(grid.size());  
75.   dt.bb.reserve(grid.size());  
76.   good_boxes.reserve(grid.size());  
77.   bad_boxes.reserve(grid.size());  
78.     
79.   //TLD中定义：cv::Mat pEx;  //positive NN example 大小为15*15图像片  
80.   pEx.create(patch_size, patch_size, CV_64F);  
81.     
82.   //Init Generator  
83.   //TLD中定义：cv::PatchGenerator generator;  //PatchGenerator类用来对图像区域进行仿射变换  
84.   /*
85.   cv::PatchGenerator::PatchGenerator (    
86.       double     _backgroundMin,
87.       double     _backgroundMax,
88.       double     _noiseRange,
89.       bool     _randomBlur = true,
90.       double     _lambdaMin = 0.6,
91.       double     _lambdaMax = 1.5,
92.       double     _thetaMin = -CV_PI,
93.       double     _thetaMax = CV_PI,
94.       double     _phiMin = -CV_PI,
95.       double     _phiMax = CV_PI 
96.    ) 
97.    一般的用法是先初始化一个PatchGenerator的实例，然后RNG一个随机因子，再调用（）运算符产生一个变换后的正样本。
98.   */  
99.   generator = PatchGenerator (0,0,noise_init,true,1-scale_init,1+scale_init,-angle_init*CV_PI/180,  
100.                                 angle_init*CV_PI/180,-angle_init*CV_PI/180,angle_init*CV_PI/180);  
101.     
102.   //此函数根据传入的box（目标边界框），在整帧图像中的全部窗口中寻找与该box距离最小（即最相似，  
103.   //重叠度最大）的num_closest_init个窗口，然后把这些窗口 归入good_boxes容器  
104.   //同时，把重叠度小于0.2的，归入 bad_boxes 容器  
105.   //首先根据overlap的比例信息选出重复区域比例大于60%并且前num_closet_init= 10个的最接近box的RectBox，
      1/10    1 2 3 4 5 6 下一页 尾页