作者观察到，一般的物体，当归一化到某一个小的尺度上时，目标都有一个很好的了轮廓共
性。也就是目标的边缘梯度比较明显，组合成为一个闭合的轮廓。这里指的目标是广义的，
可以是任何类别的物体。（论文结论成立的依据）
图a.表示原图像，图b表示梯度图像，
然后作者缩放到了很多尺度，图c，是
将梯度图像缩放到8x8以后，正例和负
例显示的结果，图d是将64位向量作为
特征，使用线性SVM训练得到的一个权
重系数图。其中，图a中红色的框表示
目标，绿色的框表示非目标
特征提取BING
1. 使用1-D的模板[-1,0,+1]计算Gx和Gy方向的梯度
2. 梯度幅值采用
3. 梯度图可以表示成一个8bit的切片图，每个切片图中对应着0或1（这里作者认为轮
廓都存在梯度较强的区域，因此，每个点取梯度幅值的前4位表示即可）
4. 然后对每个切片图，取梯度特征（8x8），最终会提取出四个切面特征，合并以后
就是该区域的BING特征了。
PS. 关于第4步，作者在这里使用了一个加速处理，即每次计算下一个特征的时候，利用
了上一个特征的值，只需要做一个[移位]和[或]运算即可。
假设把红框往上平移一行（也就是不包含绿框），
此时向量的值设为 ，那么红框位置的特征值可以
表示为，此时，这样的话，计算特征就不用重复
的循环了。
训练过程（这部分我还没有完全弄懂：有人懂的话记得告诉我哈，谢谢啦，我也会继续往下看的）
1. 首先，提取正负样本的BING特征，输入到Linear-SVM中训练得到一个分类器，将分类器归一化，作为级联分类器的第一级。
2. 然后，使用这个分类器去搜索训练样本所在的（大图-猜测可能使用图像放缩检测），这个时候可以得到很多目标框，采用NMS
抑制一下，然后选择一个较小的框作为第二级的训练样本正例，使用这个分类器去搜索训练负例（大图）搜索困难样本（Bootstrap策略），
生成第二级训练样本负例。
3. 然后，将第2步生成的正例和负例输入到Linear-SVM中训练得到一个分类器，作为级联分类器的第二级。
分类器归一化方法
是一向量权重（linear分类器模型）,是归一化的维度（要将w归一化成几维的，
作者取值为2），这个理论是做投影，还木有看证明
[27] Efficient online structured output learning for keypoint-based object tracking.
未完待续—by cvchina@163 dddz WDH 2015-01-19