图像特征之 Haar-like特征（一）概述及特征值数量计算

1.haar-like特征介绍
- 最初用于描述人脸， 分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。
- 特征模板内有白色和黑色两种矩形，并定义该模板的特征值为
黑色矩形像素和 - 白色矩形像素和。
- 邻域矩形灰度差特征Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，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，所以只能描述特定走向（水平、垂直、对角）的结构。
- OpenCV的Haar分类器是基于扩展后的特征库实现的。
- 基本的特征有 3 类

模板 A 的特征值计算公式为： v=Sum黑-Sum 白。
模板 B 的特征只计算公式为： v=Sum黑-Sum 白。
模板 C 的特征只计算公式为： v=2*Sum黑-Sum 白。
模板 D 的特征只计算公式为： v=Sum黑-Sum 白。
而模板 C 中保证做差时像素的数目相等，将 Sum黑乘以 2

• 用得比较多的特征，也就是特征原型有：
  1.边缘特征
  
  2.线特征
  
  3.点特征（中心特征）
  
  4.对角特征
  

  我们在计算特征值时，通过改变各类模板的大小和在子窗口中的位置，得到很多的矩形特征，由这些矩形特征计算出子窗口中所有 的特征值。
  
  

• 特征值数量计算：

  • 普通特征（水平竖直的）
    

• 倾斜特征
  -可以按照（w+h）*（h+w）的大小，按照普通特征的计算方法计算。