前面介紹分類器檢測過程的示例中是以HOG特征為例，那LBP和HAAR特征在xml中是如何表達和測試的呢？
2.3 LBP與HAAR特征
HAAR特征的計算和表達方式與HOG很類似，在OpenCV的haartraining.exe中，feature儲存在每個weakclassifier中，而之後的traincascade.exe中則是以LBP、HOG、HAAR三種統一的方式——在stages後面用features節點來統一存儲——來儲存features的pool。
2.3.1 HAAR特征
在haar特征的訓練中（無論是老版本的haartraining還是現在的traincascade），都是有BASIC/CORE/ALL三種特征組合待選的，預設情況為BASIC。三種情況下對應的特征選取分别如下：
BASIC：
（對于最後一種point型特征，在ALL類型中有看到，BASIC中沒有看到，但不知是否被選入這種特征）
CORE中的增加項：
ALL中的增加項：
最後，HAAR特征的表達形式是以不止一個rect來表示的。比如
表達的是下圖中的特征，tilted表達是否傾斜。
其中第一個矩形是外部最大的矩形，第二個為中間的紅色矩形。
其他特征都是以類似的形式表達，矩形後的-1和3是該矩形的weight，也就是3*rect2-rect1；它的統一形式是sumof( rect[i]*weight[i] )。當然這裡的rect同樣是在維護一系列指向積分圖中的指針。
2.3.2 LBP特征
LBP特征的計算與HAAR、HOG有很大不同，在判斷某個矩形的LBP特征應當屬于左葉子還是右葉子的時候，HAAR和HOG隻是用目前節點的threshold來判定就可以了；而LBP的節點結構是圖6所示：
圖6. LBP節點示意圖
節點中同樣是有0和-1來做左右節點代碼，33是feature ID，也就是所在的矩形，而後面緊跟的8個數将會被儲存在vector<int> subset結構中，每個節點有8個這樣的數，因而最終subset的size = nodes.size()* 8。
就以上面的這個節點來描述下判定規則：
首先33對應的是下面的矩形
這個矩形将對應到積分圖中的16個int型指針，他們的對應關系如圖7所示，ID号33中給出的矩形位置就是圖中的A矩形。根據圖中的關系可以得到9個矩形中的16個指針，每個指針存儲的是積分圖中該點右上方矩形内的灰階和。這樣利用積分圖能夠快速計算出A~I共9個矩形内的灰階和，然後除E之外的其他矩形與E矩形内的結果作對比，大小将被标記為0或1，這樣8個矩形将得到一個8位數c。
圖7. Rect與LBP特征計算位置的關系示意圖
接下來就是關鍵的如何根據c判斷目前矩形應當走向左節點還是右節點了。
sum += cascadeLeaves[subset[c>>5]& (1 << (c & 31)) ? leafOfs : leafOfs+1];
c中的8個位由高到低分别來自于矩形A-B-C-F-I-H-G-D，因而c>>5得到的是上面ABC三個位所代表的0~7範圍的一個數，根據此數将得到subset（也就是每個節點中都會存儲的8個數）中的一個值，這裡命名為X。1<<(c & 31)得到的是2^n，n是F-I-H-G-D共5個矩形的位，這裡将2^n這個值命名為Y，可見Y的範圍是1~2^31，（它想表達的就是在這5個矩形中的對比情況，因為他們是一一對應的）。最後X和Y做“按位與”運算如果是0就進入右節點，否則進入左節點。
這裡的判定規則應該是有更好的诠釋的，暫時還沒有找到相關資料，以上僅僅是在代碼中解析的一些内容。
相比其他兩種，LBP的判定規則似乎有點複雜了。