GIST

GIST 提取的是大区域范围特征，适合用于场景识别与分类。
（常引用的是：一个场景中各物体的空间位置并不重要，重要的是大尺度的物体与物体间空间位置关系，比如说城市一般上面天空，下面建筑，森林上面天空，中间树木，下面草坪。）

GIST 512 的计算方法：

1. 利用 Gabor 滤波器提取特征，分别在 4 个尺度与 8 个方向提取，得到 32 个特征图
2. 把每个特征图分为 4 × 4 =16 个区域，计算每个区域中的均值
3. 一共获得 32 × 16 = 512 个特征，利用这 512 个特征来训练分类器，实现场景分类

Harr

Harr 特征比较简单，其实就是不同模板的黑白区域和值相减，即为 Harr 特征值。
每个特征值都可作为一个弱分类器。
对这些弱分类器进行训练，最后选出其中效果最好的 K 个。
将选出的 K 个弱分类器进行级联，得到强分类器。

1. 为什么 Harr 特征值有效果？
   解释是，灰度图来看人脸，一般额头较亮，眼睛较暗，脸颊较亮，鼻尖较亮，鼻侧较暗，嘴唇较暗....
   故以区域的和来看，不同区域之间的亮度和有区别，可成为分类的判别条件。
   一个特征值或许没有太大价值，但是特征值一多(满足的约束条件越多)，则分类效果就有了。
2. Harr 级联检测器可用于什么地方？
   • 人脸检测
   • 行人检测
   • 眼睛、眼睛、鼻子、嘴巴检测
   • 表情检测
   • 金属检测
   • ...