简介：
对于Harr特征以及Adaboost的讲解，网上有很多分析，在此记录一些较好的博客。
较好的文章：
两篇原文：
1、Rapid Object Detection using a
Boosted Cascade of Simple Features
2、An Extended Set of Haar-like
Features for Rapid Object Detection
维基百科：
Viola–Jones object detection framework
小魏的修行路：
1、【OpenCV】基于Adaboost和Haar-like特征人脸识别
zouxy09的博客：
liuliu603的博客：
当然对于24x24子窗口内，harr特征个数的计算到底是18K左右还是16K左右，依然是有争论：
Viola-Jones‘ face detection claims 180k features
Harr特征：
下面就Harr特征也来说说我的理解，以人脸检测为例，如有失误的地方，还请多多指教。此处不去介绍积分图像、Adaboost级联分类器，Harr特征个数（我也没去推导）的计算等等。
对于一副待检测图像，目的是要将图中的人脸标记出来。由于拍摄者的距离远近不同或者相机对焦等设置，会导致图像中人脸分辨率大小不一致，想要准确的检测图像中所有的人脸，则需要从不同的尺度、不同的位置来检测，也就是多尺度法。
多尺度法：即待检测图像的大小保持不变，逐层等比放大检测窗口，利用这些不同大小的窗口来扫描检测整幅图像。下面做详细说明。
在图像中，子窗口取24x24大小，计算当前子窗口内的Harr特征向量，特征向量就是当前子窗口的表征，把这个向量送到已经训练好了的分类器中，判定其是否为人脸。若是，则标记一下；若不是，则子窗口滑动到下24x24的位置。重复上述特征计算，一直到整幅图像24x24的子窗口从左到右、从上到下都扫描完了，也就结束了当前层（尺度）的检测。
Harr特征也称矩形特征，最初的就是下面的几种：
看了上面列出的博客，大概都知道如何利用积分图像计算Harr特征。后来演变为下面的几种：
不管矩形特征怎么变，计算方法都是一样的，只是表征子窗口的特征向量的维度发生了改变。
以第一幅图中的A、B、C、D为例，有2个两矩形的，2个三矩形的，1个四矩形的组成，再详细点就是下图：
在上图中，a是2x1大小，在24x24的子窗口中滑动，每滑动一次会有一个值，则可产生23x24个值，也就是Harr特征值；同理b、c、d、e的都可以产生若干个Harr特征值，将它们组成一个向量，这就是Harr特征向量。在图像中扫描式的取子窗口，计算特征向量，判别是否是人脸，记录下当人脸的窗口，当然这只是进行了一层（一种尺度）的检测。
在一幅图像中，有的人脸可能小，有的可能很大，24x24的窗口可能检测不到，出现漏检的情况。如下图所示。
这个时候就需要将窗口进行适当的放大了，形成一个较大的窗口，也就是另一种尺度（另一层）。放大因子取1.25效果较好，每一尺度都是上一尺度的1.25倍大小，尺度（层）的大小不能超过原始图像的大小。
当然，子窗口进行了等比例的放大，那么矩形特征（a、b、c、d、e）也要进行一定比例的放大。然后计算Harr特征向量，再判别记录。
如此循环计算，直到子窗口大小达到不超过原始图像的最大尺寸。然后，再将所有记录过的人脸的进行标记，由于人脸区域在不同尺度的窗口中可能会有重复检测到，所以需要将重叠检测到的人脸区域合并起来成为一个区域并标记。
综上所述，就是Harr特征算法了，感觉有点像HOG特征算法，都是窗口内有东西在滑动计算，而窗口本身也是滑动的，只是Harr的窗口大小还在改变。
版权声明：本文为博主原创文章，未经博主允许不得转载。