对OpenCV中Haar特征CvHaarClassifierCascade等结构理解
首先说一下这个级联分类器，OpenCV中级联分类器是根据VJ 04年的那篇论文（Robust Real-Time Face Detection）编写的，查看那篇论文，知道构建分类器的步骤如下：
1、根据haar-like特征训练多个弱分类器
2、使用adaboost算法将多个弱分类器组合成一个强分类器
3、最终的分类器是由多个强分类器级联而成
下面这幅图是弱分类器组合成强分类器的示意图（图片来源于网络）：
下面这张是多个强分类器级联的示意图（图片来源于网络）：
在了解了级联分类器是怎么一回事后，我们来看一看OpenCV里面级联分类器的结构
在调用OpenCV中的级联分类器对目标进行分类时，都会将一个训练好的分类器（一个训练好的.xml文件）读入到一个CvHaarClassifierCascade结构中，如下：
1 CvHaarClassifierCascade* cascade = (CvHaarClassifierCascade*)cvLoad( "haarcascade_frontalface_alt.xml", 0, 0, 0 );
那么这个CvHaarClassifierCascade结构体里面的内容都有哪些呢？
1 typedef struct CvHaarClassifierCascade 2 { 3 int flags; /* 标志位 */ 4 int count; /* 分级分类器中强分类器的数量 */ 5 CvSize orig_window_size; /* 训练中原始目标的大小 */ 6 7 /* these two parameters are set by cvSetImagesForHaarClassifierCascade */ 8 CvSize real_window_size; /* 待检测物体的大小 */ 9 double scale; /* Haar块缩放的尺寸 */ 10 11 CvHaarStageClassifier* stage_classifier; /* 定义强分类器数组 */ 12 CvHidHaarClassifierCascade* hid_cascade; 13 }CvHaarClassifierCascade;
第一个flags，还不是很清楚，在debug模式下，flags=1112539136（好吧，这个值很诡异），我也不是很清楚
第二个count，表示整个分级分类器中强分类器的数量，即最后参与级联的强分类器的个数
第三个orig_window_size，表示的是在训练时用的正样本的尺寸，OpenCV中的尺寸是20x20
第四个和第五个，注释中说了，这两个参数需要自己设置，具体每个参数看注释
第六个stage_classifier，是强分类器指针，指向一个强分类器数组，之前的count是多少，那么此处的强分类器就有多少
最后一个hid_cascade，还不是很清楚
下面来看上面第六个参数的强分类器结构体
1 typedef struct CvHaarStageClassifier 2 { 3 int count; /* number of classifiers in the battery 构成强分类器的弱分类器的数量*/ 4 float threshold; /* threshold for the boosted classifier 叠加分类器的阈值*/ 5 CvHaarClassifier* classifier; /* array of classifiers 定义分类器数组*/ 6 /* these fields are used for organizing trees of stage classifiers, 7 rather than just stright cascades */ 8 int next; 9 int child; 10 int parent; 11 }CvHaarStageClassifier;
第一个count，表示该强分类器中，弱分类器的数量，即该强分类器由多少个弱分类器组成
第二个threshold，叠加分类器的阈值（好吧。。这个我也不知道）
第三个classifier，是一个指针，指向的是一个弱分类器数组，之前的count是多少，此处的弱分类器就有多少
后面3个都不清楚。。。（望知道的网友给予帮助）
下面是弱分类器的结构
1 typedef struct CvHaarClassifier 2 { 3 int count; /* number of nodes in the decision tree */ 4 /* these are "parallel" arrays. Every index i corresponds to a node of the decision tree (root has 0-th index). 5 left[i] - index of the left child (or negated index if the left child is a leaf) 6 right[i] - index of the right child (or negated index if the right child is a leaf) 7 threshold[i] - branch threshold. if feature responce is <= threshold, left branch is chosen, otherwise right branch is chosed. 8 alpha[i] - output value correponding to the leaf. */ 9 10 CvHaarFeature* haar_feature; 11 float* threshold; 12 int* left; 13 int* right; 14 float* alpha; 15 }CvHaarClassifier;
第一个count，在opencv里，发现始终都是1，自己想了想，因为这个结构体记录的是一个弱分类器，自然弱分类器的个数就是1了。
第二个haar_feature，也是一个指针，指向一个（因为count是1）特征结构体CvHaarFeature，这个结构体中记录的内容是弱分类器的类型（包括该haar-like特征的位置，大小，以及种类，这个结构体会在下面给出，再细说）
第三个threshold，就是那个判别函数：h(x,f,p,theta) = (p*f(x) < p*theta ? 1 : 0),中的阈值theta
第四个left，第五个right不是很清楚（求知道的同学详解啊~~~~）
第六个alpha，就是这个弱分类器的权重（每一个强分类器都是由多个弱分类器按照各自的权重进行表决，而得到的）
特征的结构体如下
1 #define CV_HAAR_FEATURE_MAX 3 2 // 一个Haar特征由2~3个具有相应权重的矩形组成 3 typedef struct CvHaarFeature 4 { 5 int tilted; // 0 means up-right feature, 1 means 45-rotated feature 6 struct 7 { 8 CvRect r; 9 float weight; 10 } rect[CV_HAAR_FEATURE_MAX]; 11 // 2-3 rectangles with weights of opposite signs and with absolute values inversely proportional to the areas of the rectangles. if rect[2].weight != 0, then the feature consists of 3 rectangles, otherwise it consists of 2. 12 }CvHaarFeature;
第一个参数titled，0表示该特征是标准的haar-like特征，1表示旋转45°后的特征
标准的haar-like特征如下：
而旋转45°后的特征如下：
第二个参数是个结构体数组，每个结构体中包括一个矩形和一个权重，这个数组的大小是CV_HAAR_FEATURE_MAX（3）（注释中说：此处可能有2~3个矩形，这里的矩形等看了下面的解释就知道了），这个矩形和权重有什么用呢？
在debug模式下，查看第一个弱分类器数组内的元素
第一个元素：
1 rect[0].r.x = 3 2 rect[0].r.y = 7 3 rect[0].r.width = 14 4 rect[0].r.height = 4 5 rect[0].weight = -1
第二个元素：
1 rect[1].r.x = 3 2 rect[1].r.y = 9 3 rect[1].r.width = 14 4 rect[1].r.height = 2 5 rect[1].weight = 2
第三个元素则全都是0
这么看这些坐标，并不是很清楚，我们可以画个图：
由图可见，第一个矩形表示的是A+B区域，第二个矩形表示的是B区域。
此时再看一看每个元素的权重weight，结合积分图的概念，发现第一个矩形的积分图乘以其权重加上第二个积分图乘以其权重，恰好得到下述结果：
（A+B）*（-1）+B*2=B-A
看到这个公式，大家都不会陌生，这正式VJ论文中给出的众多haar-like模板中的其中一个模板的计算方法（此处不知如何表达，大家将就，看懂就行）
我们继续考察第二个弱分类器的特征部分，其特征参数如下：
1 rect[0].r.x = 1, rect[0].r.y = 2 2 rect[0].r.width = 18, rect[0].r.height = 4 3 rect[0].weight = -1 4 5 rect[1].r.x = 7, rect[1].r.y = 2 6 rect[1].r.width = 6, rect[1].r.height = 4 7 rect[1].weight = 3
数组的第三个元素依然都是是0，对其绘图：
第一块矩形区域是A+B+C，第二块矩形区域是B，积分图乘以权重，再相加，可得：
（A+B+C）*（-1）+B*3 = 2*B-A-C
也是haar-like特征模板之一（此处不知如何表达，大家将就，看懂就行）
刚刚找了好久，找到一个第三个元素权重不为0的，该数组三个元素如下：
1 rect[0].r.x = 0, rect[0].r.y = 2 2 rect[0].r.width = 20, rect[0].r.height = 6; 3 rect[0].weight = -1 4 5 rect[1].r.x = 10, rect[1].r.y = 2 6 rect[1].r.width = 10, rect[1].r.height = 3; 7 rect[1].weight = 2 8 9 rect[2].r.x = 0, rect[2].r.y = 5 10 rect[2].r.width = 10, rect[2].r.height = 3; 11 rect[2].weight = 2
绘图可得：
将每个矩形乘以相应的权重，相加可得：
（A+B+C+D）*（-1）+2*B + 2*C = B+C-(A+D)
也是模板之一
（佩服设计这个结构体的程序员）
到此，四个结构体都说完了，如有不对，请大家指正
