实际上特征就是图像中某个区域的像素点，经过某种四则运算之后得到的结果。所以说图像的特征它是像素经过运算之后得到的某一个结果。这个结果可以是一个具体的值，也可以是一个向量，又或是一个多维的元素。所以说特征它的本质实际上是像素的运算结果。
之前章节给大家讲解的矩阵运算。如何利用特征来区分目标呢？阈值判决。如果这个特征大于某一个阈值，那么我们就可以把它认为是目标。如果小于某一个阈值，那么就认为是分目标。所以这是一个最简单的判决情况。
我们通过机器学习得到这个判决明显。判决明显得到之后我们再根据计算的特征来进行阈值判决。
比如我们的模板大小是一个10*10的矩阵，这一个10*10总共覆盖了100个像素点，所以黑色部分总共有50个像素点，白色部分覆盖另外50个像素点。将当前的黑白两色模板放到整个图像上的任意位置上，在任意位置上用白色区域的像素之和(也就是白色区域所覆盖的50个像素之和)减去黑色像素覆盖区域的50个像素之和就得到了我们的特征。特征实际上就是某一个区域内像素的四则运算。整个区域指的是黑白两色覆盖的100个像素。
第一个公式和第二个公式一定是一样的。
#haar 1 什么是haar? 特征 = 像素 运算 -》结果 (具体值 向量 矩阵 多维) # 2 如何利用特征 区分目标? 阈值判决 # 3 得到判决? 机器学习 # 1 特征 2 判决 3 得到判决 # 公式推导 1 -2 # 特征 = 整个区域*权重1 + 黑色*权重2 = (黑+白) * 1 +黑* (-2) = # = 黑+白-2黑 = 白-黑