今天用opencv自带的人脸识别库写了一个人脸检测的代码，但是发现效果并不理想，缺点主要为：暗光条件、侧脸、歪斜等状态下的识别效果比较差。再加上眼睛的识别测试，发现总是把我的鼻孔识别为眼睛...难道我拍照的时候真是用鼻孔看人的吗？于是想了解opencv带的人脸检测代码的原理。 1. Haar-like feature: Haar templates是由Micharel Oren等人在 《Pedestrian Detection Using Wavelet Templates》中提出，其由来是参考Haar wavelets《A Teory for Multiresolution Signal Decomposition: The Wavelet Representation》。Haar特征计算使用三种模板（与Haar小波变换计算本质相同）如图1所示。

与标准Haar变换不同，为了获取更好的分辨率，M.O. 采用"quadruple density dictionary", 简单来说，标准Haar小波变换是两个小波之间的距离是，M.O.采用距离为 ，从而提高Haar变换细节系数的密度。   举例说明，图2所示，在标准Haar变换中，采用垂直haar模板，将所有像素按模板权值求和，可得到一个细节系数V。

如果采用可变Haar 模板，则Haar变换如图3所示, Haar 模板大小为2^2 × 2^2, 图像中左上角4×4像素区域进行Haar特征计算可以得到一个系数V1, 小波距离间隔像素2^2个宽度，可以计算得到另一个Haar特征V2。同样模板可以进行竖直方向计算Haar特征，最后得到关于垂直Haar模板的四个特征系数：V1~V4。

采用四密度(quadruple density) Haar特征计算如图4所示，在水平方向，每个小波间隔为 像素，因此可以得到V1~V5 Haar特征系数，同理，在竖直方向也可以分别得到一系列Haar特征系数，最后得到一个5×5的Haar特征矩阵。改变模板，运用水平模板和对角线模板也可以得到相同维度的Haar特征矩阵。

在M.O.文献中，对128×64的行人图像，分别采用32×32 和16×16两种大小的模板，分别得到水平、竖直、对角三种Haar特征矩阵。如图5所示：

采用不同的模板大小进行haar变换实测，原图如图6所示，分别采用4×4, 8×8, 16×16, 32×32 pixels 模板对图6进行Haar变换，得到结果如图7所示。

从图7可以看出，采样不同尺度和形状的Haar模板会得到不同的Haar特征，如果将模板的样式增多，模板的大小也增多，同时采用的密度也增大，最后得到的特征数量将变得非常庞大，可以参见相关Haar特征数量计算。因此不得不考虑一个问题，这么多Haar特征怎么计算？