Haar-like矩形特征的特征值的快速计算方法

博客是：http://blog.sina.com.cn/s/blog_4e6680090100d2sd.html

1、Haar-like特征：

    Haar-like特征最早是由Papageorgiou等应用于人脸表示。Papageorgiou在针对正面人脸和人体检测问题的研究中使用Haar小波基函数，他们发现标准正交Haar小波基在应用上受到一定的限制，为了取得更好的空间分辨率，他们使用了3种类型的3种形式的特征。Viola等在此基础上作了扩展，使用2种类型4种形式的特征。3种类型分别为：2-矩形特征、3-矩形特征、4-矩形特征。

 对于图中的A,  B和D这类特征，特征数值计算公式为:

                                 v=Sum白-Sum黑

    而对于C来说，计算公式如下:

                                 v=Sum白-2*Sum黑

    之所以将黑色区域像素和乘以2 ，是为了使两种矩形区域中像素数目一致。

    通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征。为了描述的方便，本文将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”；矩形特征的称为 “特征值”o

     假设训练或检测窗口大小为Wx H个像素，w , h 分别为特征原型的长、 宽，所示四种特征原型对应的w 1 h 分别为:2/1,1/2,3/1,2/2。

    

    一个haar-like特征在24*24像素图的子检测窗口中的矩形特征数量总计为134736个。