高效子窗口检测定位（Object Localization by Efficient Subwindow Search）

1.从有序队列里取出队首的点集（根据上界大小排序，队首上界最大）

2.将当前点集从其间隔最大的那个边分为两个子集（forming two smaller disjoint candidate sets）

3.通过一定的策略计算每个子集的上界

4.将第二步得到的两个子集根据第三步计算出的上界插入到队列中。

5.重复1－4，直到当前从队首取出的子集仅包括一个矩形时，则该矩形即为全局最大值。

 

对于不同的问题，难点在于快速计算有效的子集上界。

 

不能应用与基于haar特征的AdaBoost由于：

1.基于haar特征的AdaBoost是在大的矩形框中计算小矩形特征，并且每个小矩形特征的权值不同，最后根据小矩形特征经过权值级联相加后才得出判别式。

2.基于haar特征的AdaBoost中小矩形特征是相邻若干个小矩形像素和的差。

3.基于haar特征的AdaBoost不是要求全局最大值，他的思想是只要判别式结果大于1/2即认为是目标，一副图中可能有多个目标，有N个目标即要迭代N次Object Localization by Efficient Subwindow Search。