width = 98
target = {} # 记录一帧中目标位置，放在track里
target['x'] = X
target['y'] = Y
target['lenth'] = lenth
target['width'] = width
targetPosition = [] # 记录追踪过程中目标位置的序列
targetPosition.append(target)
numFeat = 4
numFern = 10
testX = 121
testY = 61
testLenth = 77
testWidth = 93
imaMat = it.image2Mat(imagePath + '/' + "0001.jpg", 1)
inteIma = it.getInteIma(imaMat)
posBag = it.getPosBag(X, Y, lenth, width) # 正包
lables = list(np.ones(len(posBag))) # 正包标签
negBag = it.getNegBag(X, Y, lenth, width, 1, 1) # 负包
lables.extend(np.zeros(len(negBag))) # 整个标签
offsetInfo = [] # 这个是块偏移信息，放外面
#print(allInstance)
blocksInfos = [] # 每个块的信息，这里一幅图就是一个块。
blockClassifier = [] # 每个块已训练好的的强分类器（adaboost分类器）
blockInfos = posBag.extend(negBag)
blocksInfos.append(blockInfos) #为了使用以前写的randomFen函数，而这么搞的
randomFerns, dataMats, features = lt.randomFern(
#以下是循环和循环要用的变量的初始化了
StanPosition =ut.getPosition(path) #从标准位置文件中获取目标真实位置
CenterError =[]
blockSorted = [] # 块按概率排序的列表，八个块都在里面
targetPosition = [] #记录追踪过程中目标位置的序列
targetPosition.append(target)
blockClassifier = [] # 每个块已训练好的的强分类器（adaboost分类器）
offsetInfo = [] # 维护分块的偏移信息,所有示例的值都相同，并且不需要重置
features = []
imaIndex=0
centerErr=[]
for image in images: #对于每一帧
imaIndex+=1
blocksInfos = [] # 维护示例的分块信息，每帧需要重置。第一维是示例，第二维是块
imaMat = it.image2Mat(imagePath+'/'+image,color) #图像转矩阵
inteIma = it.getInteIma(imaMat) #积分图
if image == '0001.jpg': #第一帧只学习，不分类，单独拿出来
originIndex = 0
posBag = it.getPosBag(X,Y,lenth,width) #正包
lables =list(np.ones(len(posBag))) #正包标签
negBag = it.getNegBag(X,Y,lenth,width,2,4) #负包
lables.extend(np.zeros(len(negBag))) #整个标签
#上面两个都是二位列表，blocksInfos[0][0][x]是第一个示例的第一个块的起始坐标的x值
for instance in posBag: #对于每个正示例分块并存储。这个循环只能干这么点事
# 分块,第一帧就用target了，没用targetPosition[-1]
blocksInfo, offsetInfo = it.imageFrag(
instance['x'], instance['y'], instance['lenth'], instance['width'], 2, 4)
