1、什么是图像的特征（本质：像素的运算结果）：像素通过运算之后得到的某一个结果（这个结果可以是个具体的值，也可以是向量，矩阵，多维向量等等）
2、如何利用特征来区分目标（分类）：阈值判决（如果特征大于某一个阈值，则可认为值目标，相反则为非目标），判决往往比特征计算要难
3、如何得到判决：通过机器学习来得到判决门限，再根据计算得到的特征来进行判决
haar特征主要分为以下三大类：
基础模板中的第一种：
以上蓝色背景表面我们定义的图片，黑白就是特征模板
公式：
特征 = 白色-黑色
特征 = 整个区域权重+黑色权重
特征 = (p1 - p2 - p3 + p4) * w
其中：特征 = 整个区域 * 权重 + 黑色 * 权重（此时整个区域（黑白合起来）权重为：1，黑色权重为：-2，代入公式就符合第一公式）
第三的公式的介绍在后面
’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘
1、从上到下，从左到右依次遍历，要考虑步长，也就是图示黑白模板一次滑动几个像素
2、假设是100100图片，模板大小为1010，步长为10，那个上下，左右各滑动9次，加上原来所占的位置，也就是10,次，那么一共就需要计算100次
3、对于一个模板，需要进行几级缩放才能计算完，比如1010的模板，进行缩放可能就是1111，得到新的模板仍然需要从上到下，从左到右依次遍历，如果是20级，那就需要缩放20次
4、例子：图片大小1080720；haar模板滑动2个像素，即步长2；原始模板大小1010 ；缩放20级；haar特征共有14个模板
那么其计算量：14个模板20级缩放（1080/2 * 720/2） * (100个点的加减运算) = 50到100亿次
如果视频是15帧每秒，那么就大概需要计算（50到100亿次）*15 = 1000亿次
由于存在计算量大的问题，那么积分图可以很好解决这个问题，减小计算量，但是对于高清图片，这个计算量还是非常大的
’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘’‘
积分图的概念：
注意：图中区域C包括A，区域B包括A，区域D包括A、B、C
特征 = (p1 - p2 - p3 + p4) * w 也就是
特征 = (A - B- C + D) * w 得到方框1-2-3-4
每个方块都可以是其相邻的方块计算得到，这样只需要进行3次加减得到，大大减少计算量。
