计算Haar特征个数
Haar特征个数为：X.Y.(W+1-w(X+1)/2).(H+1-h(Y+1)/2)
特征模板可以在子窗口内以“任意”尺寸“任意”放置，每一种形态称为一个特征。找出子窗口所有特征，是进行弱分类训练的基础。
以mxm像素分辨率的检测器为例，其内部存在的满足特定条件的所有矩形的总数可以这样计算：
对于m×m子窗口，我们只需要确定了矩形左上顶点A(x1，Y1)和右下顶点B(x2，y2)，即可以确定一个矩形；
如果这个矩形还必须满足下面两个条件(称为s,t)条件，满足(s,t)条件的矩形称为条件矩形)：
(2)y方向边长必须能被自然数t整除(能均等分成t段)；
则， 这个矩形的最小尺寸为SXt或txs， 最大尺寸为【m/s]·sx[m/t]·t或[m/s]·tx[m/s].s;其中[]为向下取整运算符。
我们通过下面两步就可以定位一个满足条件的矩形：
(1)确定A(X1，Y1)：xl∈(1，2，⋯，m-8，m-s+1)，YI∈{l，2，⋯，m-t，m-t+1)；
(2)确定A点后，B点只能在图2．3中阴影内(包括边缘)取值，因此有：
x2∈X=(x1+s-1，x1+2·s-1，⋯，x1+(p-1)·s-1，x1+p·s一1)；
Y2∈Y=(y1+t-1，y1+2·t-1，⋯，y1+(q-1)·t-1，y1+q.t-1)；
由上分析可知，在mxm子窗口中，满足(s,t)条件的所有矩形的数量为：
其中[]为向下取整。
第一个括号的值为1+..+1+2+...2+([m/s]-1)+...([m/s]-1)+ [m/s] +[m/s]总共m-s+1项
除开最后一项 每项的个数为S个,（自己理解下），最后一项的个数为m-s+1 -([m/s]-1)*s
故第一个括号的值为s*( (([m/s]-1) +1)*([m/s]-1)/2 ) + (m-s+1 -([m/s]-1)*s)*[m/s]
即为：[m/s] *( m+1 - s*([m/s+1])/2 ) 其中[]为向下取整
故最后的总和sum = [m/s]*[m/t] *( m+1 - s*([m/s+1])/2 )* ( m+1 - t*([m/t+1])/2 )
即：令X=W/w，Y=H/h，其中W,H，w，h分别
为矩形特征原型的长、宽，那么:
Haar特征个数为：
X.Y.(W+1-w(X+1)/2).(H+1-h(Y+1)/2)