暑假的时候做了一个智能机械臂，用到了opencv里的级联分类器，这里写一下我的理解
级联分类器上手简单，同时Haar特征支持一些特殊图形的检测，例如人脸，我训练的是一个纯色模型，效果并不好，不建议用该种方法识别一些颜色梯度变化不明显的物体
（1）haar特征
图片展示了最基本的几类haar特征，每种其实都有相应的变式，图中黑：白等于1：1，
这种也是一种haar特征。
每个haar特征都对应一个特征值，相当于对图像以某点展开一个矩形对图像进行卷积操作（haar特征中的黑只是表达与白相反体现的是一种色差变化）
对于一个haar特征 j 求其特征值的操作为
f(j)= 白色像素和 *白色像素权重 - 黑色像素和 * 黑色像素权重
因为一个haar 特征里黑色像素与白色像素数量不一定相等所以要成一个权重
，再次说明一下黑色像素在原图中不一定为黑，而在这个点上的特征值让他表现为黑色一方而已
求特征值的操作类似与一个卷积操作。
特征值产生的数据非常巨大，opencv里介绍了一种一种归一化操作
这里是我引用资料上的不多叙述，是为了让数据小一些
（2）积分图
如图对于一个图片其haar特征数量是巨大的，仅左上角一个点都可以产生大量haar特征计算矩阵（可放缩）
满足(s, t)条件的矩形称为条件矩形：
(1) x 方向边长必须能被自然数 s 整除（能均等分成 s 段）
(2) y 方向边长必须能被自然数 t 整除（能均等分成 t 段）
这个很好理解将左边的【m/s】.....依次乘右边的引子相当于不同的haar特征表示
一个24*24图像仅最简单的特征模板，特征值数量为 （24+23+22+...+1)*(12+11+...+1)=43200
如果每次都一个一个的取像素进行计算，计算量非常巨大，
积分图是一种将这种计算简化的方法
积分图的定义为：将一个点左上角的像素相加取代该像素
f（x，y）=i（x，y）+ f（x-1，y）+f（x，y-1）-f(x-1,y-1)
i 为原图
因为 f（x-1，y）+f（x，y-1）对左上角所有像素累加了两遍，所以要减一个f(x-1,y-1)
积分图是如何简化计算的呢
比如一个haar特征
其特征值等于矩阵右侧所有像素减左侧像素
那么一个特征矩阵内的像素信息 可有矩阵端点积分图获得，对于一个图片计算一次积分图可以避免大量重复运算
以上是级联分类器的识别基础，下面是级联分类器是如何构建的
opencv采用了AdaBoost学习算法 ，整个级联分类器是一个决策树结构
对于强分类器，我找到了两种说法
（1）强分类器是若干个弱分类器的线性组合
（2）强分类器有多个并联的弱分类器组成
这两种说法本质一样
（3.1）弱分类器
h（x，f，p，q）={1 （ p *f(x) < p *q） ，0（otherwise）}
这是一个弱分类器的组成
x为待检测图像，f为一特定haar特征，p 让不等号方向保持一致 ，q为阈值
这里说一下我的理解，有的特征是大于阈值判断为是检测物体，有的则要小于，p分两种情况取正负一
阈值的获取：
对于一特定haar特征，将所有样本的特征值按大小排列
设某特征值 f（j) ，
其前面的特征值中 正样本的比例记为S +
其前面的特征值中 负样本的比例记为S -
所有训练样本中正样本的比例记为T+
负样本的比例记为T-
分类误差r=min{(S+) +(T- )-(S-) ,(S-)+(T+)-(S+)}
遍历所有特征值找到当前haar特征下分类误差最小的特征值作为阈值p
一个图片的haar特征非常多，而一个弱分类器的训练就是找的一个haar特征，他的分类误差小，用这个特征能够区分出人脸or非人脸，在为多个haar特征找阈值的同时，选择分类误差最小的haar特征作为弱分类器
（4.1--对应3.1弱分类器的强分类器）
就是在循环过程中改变不同弱分类器权重，让多个弱分类器投票表决，最终形成一个强分类器
（3.2弱分类器其二）
h（x，f，p，q）={1 （ p *f(x) < p *q） ，0（otherwise）}
这个定义是一样的和3.1，不一样的是多了 leftvalue 和rightvalue，阈值的选取方法也不同
训练完一个弱分类器后更新权重
对numPos+numNeg个权重按照如下公式更新权重（注意更新后需要对权重进行归一化）
（4.2--对应3.2的强分类器）
一个强分类器的结构如图
以左图为例，第一个弱分类器判断阈值，小于则向下进行，大于输出该级的rightvalue
在检测目标时， 每个弱分类器独立运行并输出cascadeLeaves[leafOfs - idx]值，然后把当前强分类器中每一个弱
分类器的输出值相加 ，即：
sum += cascadeLeaves[leafOfs - idx]
之后与本级强分类器的stageThreshold阈值对 比， 当且仅当结果sum>stageThreshold时，认
为当前检测窗口通过了该级强分类器 。当前检测 窗口通过所有强分类器时，才被认为是一个检测
目标。 可以看出， 强分类器与弱分类器结构不同，是一 种类似于“并联”的结构，称其为“并联组成的 强分类器”。
强分类器阈值计算
与4.1一样是一个循环过程
1，使用当前的stage中已经训练好的弱分类器去检测样本中的每一正样本，计算弱分类器输出值之和保存在eval中。
2，对eval升序排序
3，以eval[thresholdIdx]作为stage阈值stageThreshold，显然正样本越多估计的stageThreshold越准确。
整个过程：
1，寻找正负样本作为训练样本
2，计算每个Haar特征在当前权重下的阈值+leftvalue+rightvalue，组成了一个个弱分类器
3，通过WSE寻找最优的弱分类器（看不懂就是找错误率最小的若分类器）
4，更新权重（在下一个若分类器训练过程加重对上一个弱分类器判断错误的权重）
5，按照minHitRate估计stageThreshold
（－minhitrate每个阶段分类器需要的最小的命中率，总的命中率为min_hit_rate的number_of_stages次方）
6，重复上述1-5步骤，直到falseAlarmRate到达要求，或弱分类器数量足够。 停止循环，输出stage。
7，进入下一个stage训练
虽然是整理的，希望对你有帮助
