一直以来都想写一写这个程序，正好有机会，那就写写吧。
之前写了一个用adaboost+Haar-like特征的人脸检测程序，由于也是现学现用，所以在网上找了很多资料。但是，很多东西都没有写明白。对于初入门的以及正在写代码的同学来说，其实关心的是怎么用，怎么写，把关键的问题搞明白，才是重点。所以，本文只会写一写怎么实现（关键的部分会解释一下为什么），而至于里面的原理为什么是这样的，以及怎样去推导这些来龙去脉并不是本文的重点。
这篇博客写的不错：https://blog.csdn.net/nk_wavelet/article/details/52601567
1、主要写哪些东西
（1）用到了那些Haar-like特征，haar-like特征的个数是如何计算的
（2）怎么训练人脸样本的
（3）训练之后得到的是什么东西
（4）任意一幅图像中如何检测到人脸
2、实现过程
先写一写整个的实现流程，然后在针对关键的点进行说明。
2.1、人脸特征
在人脸检测的过程中，机器并不知道一幅图像中那个区域是人脸，那个区域不是人脸。那么如何寻找 一种特征，对于图像中的一个特定区域，通过特征值的计算，判断是否为特征呢。前人已经提出了很多可用于计算机检测和识别的特征，例如LBP、haar-like、HoG、SIFT以及基于CNN的方法等。这里，在人脸检测中，主要介绍经典，也是使用比较多的特征，haar-like特征。在介绍haar-like特征之前，先介绍haar特征，再说明人脸检测中的haar-like特征。
2.2、haar特征
以一个简单的例子来说明。已知一个一维的向量【2,4,3,9】，如何用数据压缩的思想来表示这个向量呢，也就是说如何用最少的数字表示这个向量。一种可行的方法如下：
（1）对于向量的前两个数字，计算平均值，为3,6，就可以用【3,6】来表示原来的数据。但是呢，如果是这样必然会存在数据信息丢失，无法再恢复到原来的数据。为了实现这一点，就可以加上细节系数。比如说，对于前两个数，就可以用下面的数据表示【3，-1】，3顾名思义是均值，-1是2 – 3的结果。进一步的，对【3，6，-1，-3】进行分解，求【3,6】的均值，【4.5】，得到系数3 - 4.5 = -1.5。最终的结果为：【4.5，-1.5，-1，-3】。
2.3、haar-like特征
为什么叫Haar-like特征呢，因为它与haar小波变换极为的相似。想一想是不是，就是求和做差。
4、怎么训练人脸样本的
那么，人脸训练训练的是什么东西呢？假设我们已经知道了有N个训练的人脸图像，M个训练的非人脸图像，haar-like特征总数为T。训练的目的就是通过计算每个haar-like特征的特征值，使得用这个特征值对训练的人脸和非人脸图像进行分类时，错误率是最小的，然后就把这个特征值对应的特征作为一个候选的特征，将所有的候选特征组合起来，就可以实现待检测人脸的分类。那么大致的过程如下；（假设我们需要在T个特征中选择200个特征做为候选的特征）
For p = 1 : 200
for q = 1:T // 对于所有的T个特征，找到那个错分率最小的特征
for k = 1 : N+M
计算每个特征作用于每幅图像上时，所计算得到的特征值（用积分图来计算）；假设所有的特征值计算完成后得到一个特征集合tt[N+M];
选取集合tt[N+M]中的每个特征值，作为当前的一个分类阈值，对训练样本进行分类；假设所有的特征值分别作为阈值进行分类时，得到的错误率保存到一个误差集合中error[N+M]。
end
选取error[N+M]中最小的那个误差作为当前这个特征的错误分类的误差，假设所有特征的误差值保存在几何ERR[T]中。
end
在集合ERR[T]中，找到那个最小的，最为一个候选。
更新每个样本的权重，在选取下一个候选特征。如何更新权重，参考我的另外一篇博客《adaboost算法 》
end
5、训练之后得到的是什么东西
训练之后得到了两样东西：1、选中的haar-like特征（起始位置、长度、宽度、阈值）；2、每个选中的haar-like特征的权值
6、任意一幅图像中如何检测到人脸
在检测的过程中，由于图片中的人脸有大有小，所以需要在检测的时候，要对输入图片做不同尺度的放大缩小。假设输入的图像的imgsrc，最后的分类器是级联的分类器为cascade，其中包含n个强分类器strongc[n]，强分类器的阈值为threshold[n](每个强分类器只有一个阈值)，每个强分类器有m个弱分类器weakc[m]，每个弱分类器的权值为weights[m]。假设图片缩放比例的步长为step。滑动窗口的大小为w*h（滑动这个窗口的时候，就在这个窗口内用特征去求特征值），滑动窗口的步长为sw，大致的检测过程如下所示：
第一种方法：（对检测的图像做尺度变换，然后检测人脸，这样会加长运算时间，效果好一些）
（1）for scale = minscale : step : maxscale // 尺度的变化
resize(imgsrc,img, scale) // 对图像做尺度变换，然后检测此尺度变换后的图像是否有人脸，但是，需要对每次的尺度变换后的人脸做积分图变换。
（2） for ii = 1 : sw : img.width - w * scale{ // 在图像上滑动检测窗口
（3） for jj = 1 : sw : img.height – h * scale{ // 在图像上滑动检测窗口
（4） for i = 1 : n // 所有的强分类器
{
for j = 1 : m // 每个强分类器中所有若分类器
{
利用每个弱分类器的特征求取特征值v（此处也可以将特征值做判断，输出类标签0,1）。
value += v * weights[j]；// 可以理解为错误率
}
检查value与threshold[]值，判断是否为人脸，如果不是人脸，直接就不用再检测此区域了，结束（4）中的循环，如果是人脸，跳到（4）中，继续判断下一个强分类器是否也检测为人脸。
}
如果所有的强分类器都判断此区域为人脸，那么，就标记下来。
}
继续检测下一个图像中的区域
}
继续检测下一个尺度scale
}
第二种方法：（待检测的图像不做变换，只对特征做尺度的变换，有一定的局限性，毕竟对每个特征做尺寸变换后，实际上就变为了另外一种特征。）
（1）for scale = minscale : step : maxscale // 尺度的变化
（2） for ii = 1 : sw : img.width - w * scale{ // 在图像上滑动检测窗口
（3） for jj = 1 : sw : img.height – h * scale{ // 在图像上滑动检测窗口
（4） for i = 1 : n // 所有的强分类器
{
for j = 1 : m // 每个强分类器中所有若分类器
{
利用每个弱分类器的特征求取特征值v，在求特征值的时候，每个特征点的w和h要乘以scale。 为什么呢？因为在开始的时候，输入图像已经做了积分图运算，如果再对图像做尺度变换，那么又要重新做一次积分图变换，无疑会耽误很多时间。相反的，如果对特征做尺寸变换，然后去计算特征值，将方便的多，而且可以节省很多工作量。
value += v * weights[j]；
}
检查value与threshold[]值，判断是否为人脸，如果不是人脸，直接就不用再检测此区域了，结束（4）中的循环，如果是人脸，跳到（4）中，继续判断下一个强分类器是否也检测为人脸。
}
如果所有的强分类器都判断此区域为人脸，那么，就标记下来。
}
继续检测下一个图像中的区域
}
继续检测下一个尺度scale
}