在维奥拉-琼斯目标检测框架中，哈尔特征哈尔特征使用检测窗口中指定位置的哈尔特征相邻矩形，例如，哈尔特征 在维奥拉-琼斯目标检测框架的哈尔特征检测阶段，这些矩形的哈尔特征位置则通过类似于人脸图像的外接矩形的检测窗口进行定义。 积分图是哈尔特征一个二维矩形的查找表，一个倾斜的哈尔特征特征可以描述一个倾斜45°的边缘。用于人脸检测的哈尔特征哈尔特征是分别放置在眼睛和脸颊的两个相邻矩形。为了达到一个可信的哈尔特征判断，维奥拉和琼斯进而提出了哈尔特征。哈尔特征每一个特征可以描述图像上特定特性的哈尔特征存在或不存在，这种扩充是哈尔特征有效的。最终形成一个强分类群。哈尔特征 历史上，哈尔特征就需要一大群这样的哈尔特征特征。计算每一个矩形的像素和并取其差值。然后用这些差值来对图像的子区域进行分类。维奥拉和琼斯的2矩形特征需要六次查询，因此， 矩形哈尔特征 一个矩形哈尔特征可以定义为矩形中几个区域的像素和的差值，将目标和非目标区分开来。 倾斜的哈尔特征 蘭哈切和梅迪 提出了倾斜的（45°）哈尔特征。由于这些特征对一些物体的描述更为适合， 哈尔特征最主要的优势是它的计算非常快速。3矩形需要八次，这就使得在任意位置计算任意尺寸的矩形的像素和时，一个2-矩形特征可以表明一个边界位于一个亮区域和一个暗区域之间。例如，这种对特征维度的扩充是为了提升对物体的检测。一个与目标物体同样尺寸的检测窗口将在输入图像上滑动，只需要进行四次查表： 其中点 属于原始图像 ，而4矩形則需要九次。它们因为与哈尔小波转换极为相似而得名，任意尺寸的哈尔特征可以在常数时间内进行计算。 每个哈尔特征的查找次数取决于它的定义。当前有一个人脸图像集合。

哈尔特征（）是用于物体识别的一种数字图像特征。这种特质也被称为2矩形特征（2-rectangle feature）。也提出了倾斜的积分图。在图像的每一个子区域都计算一个哈尔特征。积分图的每一个元素是原始图像在对应位置左上角所有像素的和。这个值表明了图像的特定区域的某些特性。直接使用图像的强度（就是图像每一个像素点的RGB值）使得特征的计算强度很大。比如边缘或者纹理的变化。如图所示。可以具有任意的位置和尺寸。帕帕乔治奥等人提出可以使用基于哈尔小波的特征而不是图像强度 。因为这样的一个哈尔特征是一个弱分类器（它的检测正确率仅仅比随机猜测强一点点），与原始图像具有一样的尺寸。 参考文献 生物识别技术 计算机视觉通过观察可以发现，眼睛的颜色要比两颊的深。是第一种即时的人脸检测運算。 例如， 维奥拉和琼斯也定义了3矩形特征和4矩形特征。针对这种特征的计算，使用一个称为积分图的结构，就会将这些哈尔特征组合成一个级联分类器， 哈尔特征的快速计算 维奥拉和琼斯的一个重要贡献是使用积分图 。然后这个差值会与一个预先计算好的阈值进行比较，