Adaboost 人脸检测原理剖析
Haar-like 特征可以分为边缘特征、中心特征、对角线特征以及线性特征。
(a)即为边缘特征，其用于检测目标图像在边缘上的变化信息，如人脸边缘与背景的灰度变化，人头发与人脸额头之间的灰度变化等；
(b)即为线性特征，其用于检测目标图像在水平以及垂直方向上的变化信息，如人的鼻梁两侧肤色要比鼻梁上的颜色深等；
(c)即为中心特征和对角线特征，其用于检测对角线上以及矩形模板外围和中心之间的变化信息，如人的眼睛比人脸的其他部分颜色要深，嘴巴要比其周围肤色颜色要深等。并且在这些水平垂直的基础上，又添加了 45°方向的矩形模板。通过采用这三种不同形式的矩形模板来表示人脸区域的特征，达到区分人脸部分与背景部分并将两者分割的目的。
在OpenCV接口中，实现了Haar/LBP/HOG等多种特征，以Haar特征为例介绍,Haar特征最先由Paul Viola等人提出，后经过Rainer Lienhart等扩展引入45°倾斜特征，成为现在OpenCV所使用的的样子共计14种Haar特征，包括5种Basic特征、3种Core特征和6种Titled(即45°旋转)特征。
人脸检测分类器=haar-like （特征）+CART(弱)+ Adaboost（强） + Cascade（级联）
Haar特征可以在检测窗口中由放大+平移产生一系列子特征，但是白：黑区域面积比始终保持不变。
以x3特征为例，在放大+平移过程中白：黑：白面积比始终是1:1:1。
首先在红框所示的检测窗口中生成大小为3个像素的最小x3特征；之后分别沿着x和y平移产生了在检测窗口中不同位置的大量最小3像素x3特征；然后把最小x3特征分别沿着x和y放大，再平移，又产生了一系列大一点x3特征；然后继续放大+平移，重复此过程，直到放大后的x3和检测窗口一样大。这样x3就产生了完整的x3系列特征。
将矩形作为人脸检测的特征向量，称为矩形特征。本算法选取了最简单的5个矩形特征模板进行训练，以得到一套用于人脸检测的最适合的矩形特征，事实证明，虽然这种特征选取方法的训练速度时间较长，但是检测效率很高。
矩形特征在人脸图像上的特征匹配：
上行是 24×24 像素窗口内选出的矩形特征，
下行是 24×24 像素分辨率的人脸图像与上行选出的矩形特征的匹配!
矩形特征对一些简单的图形结构，比如边缘、线段，比较敏感，但是其只能描述特定走向（水平、垂直、对角）的结构，因此比较粗略。如图，脸部一些 特征能够由矩形特征简单地描绘，例如，通常，眼睛要比脸颊颜色更深；鼻梁两 侧要比鼻梁颜色要深；嘴巴要比周围颜色更深。
