一、Haar算法概述
OpenCV是一个开源的计算机视觉开发库，当年，在OpenCV实现了著名的Haar特征检测算法，从而在计算机视觉领域获得了广泛的关注。
Haar级联分类器，由Paul Viola和Michael Jones在2001年的论文中提出，依托该算法分类器，我们可以实现人脸识别、定位。
后来，随着深度学习发展，人脸检测，尤其是复杂的检测任务，依靠深度网络能获得更好的性能。但是，深度网络计算复杂，往往需要更强的硬件支持。而Haar级联分类器，因其相对简单的计算方式，且不受硬件条件限制，能够在如嵌入式设备上进行实时的检测。
在实际使用过程中，Haar级联分类器，往往配合其他算法，进行初步的人脸检测和定位，从而提供一个快速且适用的解决方案。
该算法基于特征模板的滑动来计算图像特征，从而区分物体的显著轮廓。这些特征模板形似以下图像：
二、Haar特征
特征模板往往分成的“黑”“白“区域，试想用这些黑白二值图像”蒙”在你的图像或部分图像上，然后你原来的图像被分成“黑”“白”两类区域，最后用黑色区域和白色区域的像素进行简单的加减运算，便能得到图像的基本特征。
这里的特征模板，和卷积运算中的卷积核异曲同工，但运算更为简单。
例如，我们将模板窗口（3）“蒙”在鼻子部位，便能得到相契合的特征，将模板窗口（4）放在双眼部位，同样能得到与双眼部位契合的特征。
三、Haar特征匹配及其问题
但是如何根据不同图像来确定匹配窗口的大小，和它们应该放置的位置呢。比如上图，我们怎么知道将特定大小的“上黑下白”特征模板固定在图像的高度3/4上？
答案就是，我们让不知劳累的计算机，测试各种位置和大小。
特征模板尝试检测不同位置
这是一个巨大的工作量，首先我们如果确定具体匹配窗口大小为 。我们就将这个窗口在待检测图像上滑动，那么单单一个窗口匹配次数是大于160000，这依然将是一个巨大的工作量。
四、引入积分图
引入积分图，可以简化匹配过程中，不同模板区域间像素值加权求和的计算。
积分图的概念：在积分图" I "中，位于（x,y）处的元素值I(x,y),为原图像" i "从左上角(0,0)点处到右下角（x,y)点处的像素之和。用公式来表示就是
积分图一旦计算完成，就可以轻易求出原图像任意区域的像素之和。
比如计算下图中的阴影部分像素和：
五、积分图简化求区域像素和
通过积分图，可以简化在Haar特征匹配时，特征模板区域像素值加权求和的计算量。
但是对于24*24的滑动窗口，依然需要进行多次匹配产生160000+个特征
六、引入级联分类器
引入级联分类器——Cascade Classifiers，会减少单个窗口的检测次数。
拿人脸检测来讲，先用一些特征，确定该区域图像“有脸”以及“无脸“，丢掉”无脸“部分，然后再用其他特征检测，来进一步确定特征的是否存在，以及确定其特征位置。
这个过程使得我们匹配特征的过程产生一个“级联“的工作模式，每往下走一层，就会”丢弃“一些无关的区域，这样特征就越来越精确。
七、分级检测
对于单一图像窗口（ 大小），不再是单纯的匹配所有特征，而是将特征分组，用于不同层级。往往在初始层级，使用相对粗略的特征模板进行匹配，将得到的匹配结果综合统计，看是否通过该层级设置的“层级阈值”，如果通过，才会进行下一轮特征匹配，否则就对该区域停止检测——视为“丢弃”。
从上述过程当中我们可以看到，
对于固定窗口，单独一个特征不能确定最终结果，我们把单个特征模板对目标窗口的检测叫做弱分类器（因为它不能单独确定最终结果），弱分类器往往是决策树构成。
把多个弱分类器联合形成强分类器。强分类器在弱分类器的结果上进行统计、投票。
强分类器构成级联分类器的一个层级，多个强分类器分级检测，通过一定层级阈值，进行下级特征模板的匹配。
最终我们能够做出一个快速精准的判断
八、总结Cascade Classifier的工作方式
总结：Cascade Classifier检测过程是，首先把原图像按一定尺寸，划分成窗口，窗口按一定步长在图像中滑动。然后在每一个固定窗口内，采用级联分类器，依次通过该层所有特征模板进行匹配。在匹配过程中，基本特征模板会尝试检测不同的位置。最后对该层级所有匹配结果进行综合统计，决定是否进行下一层级检测。
九、引用：
维基百科——积分图
OpenCV文档
Rapid Object Detection using a Boosted Cascade of Simple Features
Face Detection with Haar Cascade。
Haar Cascades, Explained.
Viola Jones Algorithm and Haar Cascade Classifier