一．定义
1.特征是像素经过运算后得到的结果，可能是具体值、向量、矩阵、多维；
2.利用特征区分目标的方法：阈值判决；
3.判决是通过机器学习得到的。
二．Haar特征介绍
Haar特征一共有14种可用的特征模板
（其中蓝色背景表示所定义的图片，黑白的矩形框表示所用的特征模板）
（公式介绍：第一个公式：特征 = 白色 - 黑色，假设整个图片是100100像素，我们所用的特征模板是1010即100个像素，黑色区域50个像素，白色区域50个像素，则用白色区域的像素值减去黑色区域的像素值，特征 = 白色 - 黑色和 特征 = 整个区域×权重+黑色×权重这两个公式相同，可化简得到）
（上图中假设图像是100*100像素，选取的特征是10×10的，则特征框需要从左到右，从上到下遍历一次，且还需要考虑步长，即该特征模板一次滑动几个像素）
算法解释：假设将特征模板分为四个部分：1、2、3、4。其中A区域表示1，B区域表示1和2，C区域表示1和3，D区域表示1、2、3和4。若我们需要计算4的值：带入公式A-B-C+D=1-1-2-1-3+1+2+3+4=4
该算法的缺点：在计算之前，需要把每个像素点都遍历一次
三. adaboost分类器
adaboost分类器的结构（分三级：强分类器、弱分类器、node节点）。一个adaboost由若干个强分类器组成，一个强分类器由若干个弱分类器组成，一个弱分类器由若干个Node节点组成。三层紧紧相扣。
1.分类器中各结构的介绍
强分类器：
①工作原理：假设该强分类器有三层，x1,x2,x3为计算得到的检测概率，阈值为t1,t2,t3，当x1>t1,x2>t2,x3>t3时，才认为该目标是我们需要的特征，即连续通过三个强分类器认为是目标
②作用：判决目标是否是特征，如判断目标是否是苹果
③一般规定每层中有15—20个强分类器
弱分类器：
①作用：计算强分类器的特征，即强分类器中的x1,x2,x3是由弱分类器计算得到的，eg.x2 = sum(y1,y2,y3)（PS：y是弱分类器的特征，x是强分类器的特征）
Node节点：
①定义：每一个node节点对应一个haar特征，一般规定有3个haar特征
②工作原理：每一个node节点计算接个都会得到一个z1,z2,z3，则Z = sum(z1,z2,z3)
2.adaboost分类器的工作原理
工作原理：将分类到的正样本逐步减弱，负样本逐步增强，层层迭代，多级分类。比如：一个训练集：苹果，苹果，苹果，香蕉，假设苹果是正样本，香蕉是负样本，第一轮分类后，检测概率分别为0.2，0.2，0.2，0.5，则下次再分类后变为0.1，0.1，0.1，0.8
3.分类器训练终止的条件
①设置迭代的次数
②设置检测概率的阈值
4.工作流程
第三层是Node节点，一般设3个Node节点，每个haar特征对应一个Node节点，会得到z1，z2，z3，则第三层的输出Z = sum(z1，z2，z3)；来到第二层弱分类器，设置一个阈值T，当Z > T时，会得到y1，y2，y3，则第二层的输出X = sum(y1，y2，y3)；来到第一层强分类器，设置一个阈值T1，若X > T1，则判定该特征是我们所需要的目标。
5.adaboost训练的步骤
①初始化数据权值分布，假设训练样本为：苹果、苹果、苹果、香蕉，对应的权值为：0.1、0.1、0.1、0.1
②遍历阈值 p 计算所有的误差概率，设其中最小误差概率minP，对应的权值为t
③计算权重的系数
④权重分布的更新，第一步中的训练样本的权重变成了：0.2、0.2、0.2、0.7
（若不满足训练的终止条件（迭代次数未达到或minP小于设定的阈值），则从步骤2开始，继续执行）
四. 小案例
步骤：
1.下载xml文件（从官网下载）
haarcascade_eye文件指训练好了的眼睛识别的adaboost分类器
haarcascade_frontalface_default指训练好了的人脸识别的adaboost分类器
2.下载图像jpg
3.计算haar特征（这步省略，opencv已经处理了），要做的是把图像进行灰度处理，因为所有的haar特征都是需要基于灰度图像进行计算
4.检测：两个参数：眼睛和人脸
5.对检验出来的结果进行遍历，绘制出检测出来的方框
程序：
API：
CascadeClassifier：下载xml文件
detectMultiScale：参数说明：1.灰度图片 2.缩放的系数 3.目标的大小，即检测的人脸不低于5个像素
import cv2
#1.下载xml文件
face_xml = cv2.CascadeClassifier('E:\\pictures\\haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('E:\\pictures\\haarcascade_eye.xml')
#2.下载人脸图像
img = cv2.imread('E:\\pictures\\8.jpg')
cv2.imshow('src',img)
#3.计算Haar特征
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#4.目标检测
faces = face_xml.detectMultiScale(gray,1.3,5)
#参数说明：1.灰度图片 2.缩放的系数 3.目标的大小，即检测的人脸不低于5个像素
print('face=',len(faces)) #打印当前人脸的个数
#5.画识别到的人脸的方框
for (x,y,w,h) in faces:
cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2) #绘制识别人脸的方框
roi_face = gray[y:y+h,x:x+w] #感兴趣的人脸范围，灰度的人脸
roi_color = img[y:y+h,x:x+w] #彩色的人脸
#下面进行人脸上眼睛的识别
eyes = eye_xml.detectMultiScale(roi_face) #参数为灰度图像
print('eyes=',len(eyes)) #打印当前眼睛的个数
#5.画识别到的眼睛的方框
for (e_x,e_y,e_w,e_h) in eyes:
cv2.rectangle(roi_color,(e_x,e_y),(e_x+e_w,e_y+e_h),(0,255,0),2)
cv2.imshow('dst',img)
cv2.waitKey(0)输出：
