3. 分離的Haar特征，即允許一個(gè)Haar特征由多個(gè)互相分離的黑白區(qū)域來(lái)計(jì)算，而不要求黑白區(qū)域必須處于一個(gè)矩形小塊中;
4. 對(duì)角型Haar特征;
5. 組合Haar特征，即對(duì)多個(gè)不同的Haar特征進(jìn)行組合和二值編碼;
6. 局部組合二值特征，即在局部對(duì)特定的Haar特征按照一定的結(jié)構(gòu)進(jìn)行組合和二值編碼;
7. 帶權(quán)多通道Haar特征，即一個(gè)Haar特征不再只包含黑白兩種塊，而允許有多種不同形狀和不同顏色的塊，其中不同的顏色對(duì)應(yīng)著不同的權(quán)值，表示像素點(diǎn)上求和之后所占的比重——原來(lái)只有1和-1兩種，多通道指的是在像素點(diǎn)上求和不僅僅是在灰度這一個(gè)通道上計(jì)算，而是同時(shí)在其它通道上計(jì)算(如RGB三個(gè)顏色通道;事實(shí)上，基于原圖計(jì)算而來(lái)和原圖同樣大小的任何一張圖都可以是圖像的一個(gè)通道)。
這些擴(kuò)展極大地增強(qiáng)了Haar特征的表達(dá)能力，使得人臉窗口和非人臉窗口之間具有更好的區(qū)分性，從而提高了分類的準(zhǔn)確度。
除了直接對(duì)Haar特征進(jìn)行改進(jìn)，人們也同時(shí)在設(shè)計(jì)和嘗試其它特征。Haar特征本質(zhì)上是局部區(qū)域像素值的一種線性組合，其相對(duì)應(yīng)的更一般的形式則是不指定線性組合的系數(shù)，允許系數(shù)為任意實(shí)數(shù)，這被稱之為線性特征——這里的組合系數(shù)可以基于訓(xùn)練樣例來(lái)進(jìn)行學(xué)習(xí)，類似于學(xué)習(xí)分類器參數(shù)的過(guò)程。稀疏粒度特征也是一種基于線性組合來(lái)構(gòu)造的特征，與線性特征所不同的是，稀疏粒度特征是將不同尺度(將100*100的圖像放大到200*200，它和原本大小就為200*200的圖像是處于不同的尺度上)、位置和大小的局部區(qū)域進(jìn)行組合，而線性特征只是組合同一個(gè)局部區(qū)域內(nèi)的像素值。
LBP特征是一種二值編碼特征，其直接基于像素灰度值進(jìn)行計(jì)算，特點(diǎn)是在編碼時(shí)考慮的是兩個(gè)值的相對(duì)大小，并且按照一定的空間結(jié)構(gòu)來(lái)進(jìn)行編碼，局部組合二值特征就是在LBP特征的啟發(fā)下設(shè)計(jì)的;從計(jì)算上來(lái)看，提取LBP特征比提取Haar特征要快，但是Haar特征對(duì)于人臉和非人臉窗口的區(qū)分能力更勝一籌。簡(jiǎn)化的SURF特征是一種和Haar特征相類似的特征，但是其計(jì)算的是局部區(qū)域中像素點(diǎn)的梯度和，并在求和的過(guò)程中考慮了梯度方向(所謂梯度，最簡(jiǎn)單的一種情形就是指同一行上兩個(gè)不同位置像素值的差比上它們水平坐標(biāo)的差);SURF特征比Haar特征更為復(fù)雜，因此計(jì)算代價(jià)更高，但是由于其表達(dá)能力更強(qiáng)，因此能夠以更少數(shù)目的特征來(lái)達(dá)到相同的區(qū)分度，在一定程度上彌補(bǔ)了其在速度上的不足。HOG特征也是一種基于梯度的特征，其對(duì)一個(gè)局部區(qū)域內(nèi)不同方向的梯度進(jìn)行統(tǒng)計(jì)，計(jì)算梯度直方圖來(lái)表示這個(gè)區(qū)域。積分通道特征和多通道的Haar特征有些類似，但是其使用的通道更加多樣化，將通道的概念推廣為由原圖像變換而來(lái)并且空間結(jié)構(gòu)和原圖像對(duì)應(yīng)的任何圖像。聚合通道特征則在積分通道特征的基礎(chǔ)上進(jìn)一步加入了對(duì)每個(gè)通道進(jìn)行下采樣的操作，實(shí)現(xiàn)局部區(qū)域信息的聚合。
在過(guò)去十幾年的探索過(guò)程中，涌現(xiàn)出的特征不勝枚舉，這里只選取了部分比較有代表性和反映了人們探索思路的特征進(jìn)行舉例。這里所有列舉的特征都有一個(gè)共同的特點(diǎn)：都由科研工作者根據(jù)自己的經(jīng)驗(yàn)手工設(shè)計(jì)，這些特征的設(shè)計(jì)反映了人們對(duì)問題的理解和思考。雖然隨著不斷的改進(jìn)，設(shè)計(jì)出的特征已經(jīng)日臻完善，但直到現(xiàn)在，人們?cè)谔卣魃系奶剿鬟€遠(yuǎn)沒有結(jié)束。
分類器及其學(xué)習(xí)方法的改進(jìn)
分類器能力的強(qiáng)弱直接決定了分類準(zhǔn)確度的高低，而分類的計(jì)算代價(jià)是影響檢測(cè)速度的一個(gè)關(guān)鍵因素，因此，人們探索的另一個(gè)方向就是對(duì)分類器及其學(xué)習(xí)方法的改進(jìn)。
采用AdaBoost方法由弱分類器構(gòu)建強(qiáng)分類器，這是一個(gè)順序執(zhí)行的過(guò)程，換言之，一旦一個(gè)弱分類器被選中，其就必定會(huì)成為強(qiáng)分類器的組成部分，不允許反悔，這其實(shí)是假設(shè)增加弱分類器一定會(huì)使得強(qiáng)分類器的分類準(zhǔn)確度更高，但是，這個(gè)假設(shè)并不總是成立。事實(shí)上，每次對(duì)弱分類器的選擇只是依照當(dāng)時(shí)的情況決定，而隨著新的弱分類器被增加進(jìn)來(lái)，從整體上來(lái)看，之前的選擇未必最優(yōu)?；谶@樣的想法，出現(xiàn)了允許回溯的FloatBoost方法。FloatBoost方法在選擇新的弱分類器的同時(shí)，也會(huì)重新考查原有的弱分類器，如果去掉某個(gè)弱分類器之后強(qiáng)分類器的分類準(zhǔn)確度得到了提升，那說(shuō)明這個(gè)弱分類器帶來(lái)了負(fù)面影響，應(yīng)該被剔除。