haar特征：
Haar特征是一种反映图像的灰度变化的，像素分模块求差值的一种特征。它分为三类：边缘特征、线性特征、中心特征和对角线特征。用黑白两种矩形框组合成特征模板，在特征模板内用 黑色矩形像素和 减去 白色矩形像素和来表示这个模版的特征值。例如：脸部的一些特征能由矩形模块差值特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述在特定方向（水平、垂直、对角）上有明显像素模块梯度变化的图像结构。
如上图A、B、D模块的图像Haar特征为：v=Sum白-Sum黑
C 模块的图像Haar特征为：v=Sum白(左)+Sum白(右)-2*Sum黑
这里要保证白色矩形模块中的像素与黑色矩形的模块的像素数相同，所以乘2
对于一幅图像来说，可以通过通过改变特征模板的大小和位置，可穷举出大量的特征来表示一幅图像。上图的特征模板称为“特征原型”；特征原型在图像子窗口中扩展（平移伸缩）得到的特征称为“矩形特征”；矩形特征的值称为“特征值”。例如在24*24大小的图像中可以以坐标（0，0）开始宽为20高为20矩形模版计算上图A特征，也可以以坐标（0，2）开始宽为20高为20矩形模版计算上图A特征，也可以以坐标（0，0）开始宽为22高为22矩形模版计算上图A特征，这样矩形特征值随着类别、大小和位置的变化，使得很小的一幅很小的图像含有非常多的矩形特征。矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。
(来自博客http://blog.csdn.net/lanxuecc/article/details/52222369)
每个类haar特征都描述了相邻图片区域的对比模式。例如，边、顶点和细线都能生成具有判断性的特征。
对给定的图像、特征可能会因区域大小而有所不同，区域大小也被称为窗口大小。即使窗口大小不一样，仅在尺度上不同的两幅图像也有相似的特征。因此，能为不同大小的窗口生成特征方程有用。这些特征的集合称为级联。harr级联具有尺度不变性，换句话说，它在尺度变化上具有鲁棒性。OpeCV提供了尺度不变Haar级联的分类器和追踪器，并将其保持成指定的文件格式。
Opencv的haar级联不具有选择不变性。即对于人脸检测来说，人脸倾斜或者侧脸都会导致无法检测，当然也有方法来卸载，如在训练的时候加入人脸倾斜或者侧脸的训练集。
Haar级联数据的获取：
在Opencv源码中会有一个data/haarcascades。该文件包含了所有OpenCV的人脸检测XML文件，这些文件可用于检测静止图像，视频图像中的人脸。
在工程下面创建一个名为cascades的文件夹，往其中复制：
harrcascade_profileface.xml
harrcascade_righteye_2splits.xaml
haarcascade_russian_plate_number.xml
haarcascade_smile.xml
haarcascade_upperbody.xml
从文件名中可以知道这些级联用于检测人脸，眼睛，鼻子和嘴，这些文件需要真面直立的人脸图像，在创建人脸检测器时会使用这些文件
