letter_recog.cpp的整体认识查阅RTrees、Boost、ANN_MLP、KNearest、NormalBayesClassifier、SVM，大写英文字母识别，三目运算符的妙用（OpenCV案例源码letter_recog.cpp解读）

letter-recognition.data，20000*17，前16000行用于训练，后4000行测试。

 

 

1、read_num_class_data()函数，把数据的第一列保存到标签集_responses，之后的16列保存到特征集_data。

用到了两个函数，说明如下：

fgets(str,n,fp);

从fp指向的文件中获取n-1个字符，并在最后加一个'\0'字符，共n个字符，放到字符数组str中。
如果在读完n-1个字符之前就遇到了换行符或eof，读入结束。
fgets函数返回值为str的首地址。

float a;
int b;
sscanf(ptr, "%f%n", &a, ,&b);//ptr指向的内容中获取浮点型格式的数据保存到a中（%f的作用），此%n所在位置（在当前浮点型之后1位）之前的字符个数保存到b中（%n的作用）

// 把既有标签又有特征的集合，拆分为标签集_responses、特征集_data，var_count是特征数（_data的列数）
static bool read_num_class_data(const string& filename, int var_count,Mat* _data, Mat* _responses)
{
    const int M = 1024;//每行最多读取1024个字符，超过filename中每行字符数即可
    char buf[M + 2];//buf的第一个元素用于存放标签，+2防止溢出

    Mat el_ptr(1, var_count, CV_32F);//用于存放特征集
    vector<int> responses;//用于存放标签，push_back buf的第一个元素

    _data->release(); //释放该指向中所存储的内容，不是销毁
    _responses->release();

    FILE* f = fopen(filename.c_str(), "rt");//r只读,t文本文件（可省略，默认t）
    if (!f)
    {
        cout << "Could not read the database " << filename << endl;
        return false;
    }

    for (;;)
    {
        char* ptr;
        if (!fgets(buf, M, f) )//此处每次读一行，因为每行不够1024个字符，遇到换行符停止读取。
            break;//直到最后一行
        responses.push_back((int)buf[0]);//每行第1个元素放入responses中（标签）
        ptr = buf + 2;//ptr指向第一个逗号之后的数据，即第一个样本的第一个特征值
        for (int i = 0; i < var_count; i++)//遍历一行中的每个元素
        {
            int n = 0;
            sscanf(ptr, "%f%n", &el_ptr.at<float>(i), &n);//把一行中的浮点数存放到el_ptr一维行向量中
            ptr += n + 1;//跳过逗号
        }
        _data->push_back(el_ptr);//存到特征集_data，_data指向一片Mat空间
    }
    fclose(f);
    Mat(responses).copyTo(*_responses);//保存到_responses指向的Mat空间

    cout << "The database " << filename << " is loaded.\n";

    return true;
}

2、prepare_train_data()函数，从特征集data中选取前80%行，所有列作为训练集。下文中有int ntrain_samples = (int)(nsamples_all*0.8);

//特征集data中选取前80%行，所有列作为训练集。下文中有int ntrain_samples = (int)(nsamples_all*0.8);
static Ptr<TrainData> prepare_train_data(const Mat& data, const Mat& responses, int ntrain_samples)
{
    Mat sample_idx = Mat::zeros(1, data.rows, CV_8U);
    Mat train_samples = sample_idx.colRange(0, ntrain_samples);//80%的样本
    train_samples.setTo(Scalar::all(1));//操作train_samples就是操作sample_idx，浅拷贝。sample_idx中前80%变为1

    return TrainData::create(data, ROW_SAMPLE, responses,noArray(), sample_idx);//所有特征(列)参与训练，前80%样本(行)参与训练
}

3、训练终止条件

inline TermCriteria TC(int iters, double eps)
{
    return TermCriteria(TermCriteria::MAX_ITER + (eps > 0 ? TermCriteria::EPS : 0), iters, eps);
}

4、