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
#负包并不是以整个图片出现的，而是以同一个块的组合出现，使每个块都学习到相同的
offsetInfo = [] #这个是块偏移信息，放外面
#print(allInstance)
blocksInfos = []
blockClassifier = [] # 每个块已训练好的的强分类器（adaboost分类器）
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)
#blocksInfo记录块的起始位置xy以及块的长宽。offsetInfo记录块相对于图像的偏移信息
blocksInfos.append(blocksInfo) #所有示例的偏移信息是一样的，不需要在添加一个列表
for i in range(len(negBag)): #负示例分块,每个示例八个块，每个块内容是一模一样
blocksInfo = []
for j in range(8):
blocksInfo.append(negBag[i])
blocksInfos.append(blocksInfo)
#**********************测试*********************
'''
tems=[]
blocksInfoTem, offsetInfoTem = it.imageFrag(
targetPosition[-1]['x'], targetPosition[-1]['y'], targetPosition[-1]['lenth'], targetPosition[-1]['width'], 2, 4)
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)
#blocksInfo记录块的起始位置xy以及块的长宽。offsetInfo记录块相对于图像的偏移信息
blocksInfos.append(blocksInfo)
for i in range(len(negBag)): #负示例分块,每个示例八个块，每个块内容是一模一样
blocksInfo = []
for j in range(8):
blocksInfo.append(negBag[i])
blocksInfos.append(blocksInfo)
#循环结束，数据准备结束，下面开始学习
randomFerns,dataMats,features = lt.randomFern(inteIma,blocksInfos,lables,numFeat,numFern)
#所有块都拿去学习建蕨，但只有4个块用来检测。numFeat是每块选择的特征数量，暂没定是多少
#dataMats第一维是蕨，第二维是块，第三维是示例，第四维是每个蕨的特征值序列
#randomFerns第一维是建立的数个蕨，第二维是每个块。
#numFeat是每块选择的特征数量(一个随机蕨多少个特征)，暂没定是多少
