级联分类器
假设我们需要识别汽车图像中车牌的位置，利用深度学习目标检测技术可以采取基于锚框的模型，但这需要在大量图像上训练模型。
但是，级联分类器可以作为预训练文件直接使用，我们可以使用它来识别汽车图像中车牌的位置。级联分类器由多个级联的分类器组成，每个分类器都是一个弱分类器(如 Haar 特征分类器)。级联分类器通过级联地应用这些弱分类器来逐步筛选出目标对象。
在级联分类器中，每个级别都有一个分类器，根据特征判别规则对输入图像进行分类。如果一个图像区域被当前级别的分类器判定为非目标，则该区域将被丢弃，不再参与后续的分类器判断。只有当一个图像区域通过了所有级别的分类器判断，才会被认定为目标对象。
这些分类器类似于卷积核，但与深度神经网络需要学习的卷积核不同，级联分类器采用的卷积核列表是经过事先标识和筛选的，只有当多数卷积核都对目标进行了正确分类时，才会给出良好的分类得分。例如，一个面部级联分类器有多达 6,000 个核来处理面部区域，其中一些可能的核如下所示：
这些级联分类器也被称为 Haar 级联分类器。
算法流程
接下来，利
