http://blog.csdn.net/jasonding1354/article/details/36896451
引言
Haar分類器又稱Viola-Jones識別器，是Viola和Jones分別在2001年的《Rapid Object Detection using a Boosted Cascade of Simple Features》和2004年的《Robust Real-Time Face Detection》提出並改進的。Haar分類器由 Haar 特征提取、離散強分類器、強分類級聯器組成。核心思想是提取人臉的 Haar 特征，使用積分圖對特征進行快速計算，然后挑選出少量關鍵特征，送入由強分類器組成的級聯分類器進行迭代訓練。
1、Haar-like特征
Haar-like矩形特征是用於物體檢測的數字圖像特征。這類矩形特征模板由兩個或多個全等的黑白矩形相鄰組合而成，而矩形特征值是白色矩形的灰度值的和減去黑色矩形的灰度值的和，矩形特征對一些簡單的圖形結構，如線段、邊緣比較敏感。如果把這樣的矩形放在一個非人臉區域，那么計算出的特征值應該和人臉特征值不一樣，所以這些矩形就是為了把人臉特征量化，以區分人臉和非人臉。
之所以選擇基於特征的方法而沒有選擇基於像素的方法是因為,在給定的有限的數據樣本情況下,基於特征的檢測不但能夠編碼特定區域的狀態,而且通過基於特征設計的系統遠比基於像素的系統快。
圖1 特征模板
臉部的特征能夠由矩形特征簡單地描繪，例如眼睛要比臉頰顏色深，鼻梁兩側要比鼻梁顏色深，嘴巴要比周圍顏色深等。
圖2 矩形特征在人臉圖像的特征匹配
對於一個24*24像素分辨率圖像，其內的矩陣特征數目大約160000多個，需要通過特定算法選擇合適的矩陣特征，並將其組合成強分類器才能檢測人臉。
2、積分圖
在獲得矩形特征后，要計算矩形特征的值。積分圖被定義為坐標A(x,y)的積分圖是其左上角的所有像素之和，這樣對每個像素進行少量的計算得到的“積分圖”可以在相同的時間里計算尺度大小不同的矩形特征值，因此大大提高計算速度。
對於圖像內一個點A(x,y)，定義其積分圖ii(x,y)為：
圖3 積分圖公式
其中i(x',y')為點(x',y')處的像素值。
坐標A(x,y)的積分圖定義為其左上角矩陣所有像素之和，如下圖陰影部分所示：
圖4 積分圖定義示例圖
由此可知，要計算兩個區域像素值之差（即計算矩形模板的特征值），只需要用特征區域端點的積分圖來進行簡單加減運行就可以了。用積分圖的方法可以快速計算矩形特征的特征值。
圖5 矩形特征的特征值計算
如上圖示，特征模板的特征值 = 區域B的像素值-區域A的像素值 = [ii4 + ii1 - (ii2 + ii3)] - [ii6 + ii3 - (ii4 + ii5)]。
轉載請標明出處，原文地址：http://blog.csdn.net/jasonding1354/article/details/36896451
參考資料：
《學習OpenCV（中文版）》
淺析人臉檢測之Haar分類器方法，http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html
基於Adaboost的人臉檢測方法及眼睛定位算法研究 龍伶敏