Haar-like特征是计算机视觉领域常用的特征描述算子(也称为Haar特征)。 由于Haar-like是在一维Haar小波的启示下发明的，因此称为Haar特征) (后来将Haar-like扩展到三维空间(称为3DHaar-Like ) )用于描述视频中的动态特征Haar的发展过程如图1所示。
图1
Haar-like的特点
目前最常用的是Haar-like特征，描述图像特征，多用于人脸检测、行人检测等目标检测； Haar-like特征可以看作是卷积模板，就像prewitt、sobel运算符一样，当然并不完整。 Haar-like特征模板内只有黑白两种矩形，定义该模板的特征量为白色矩形像素与黑色矩形像素之和。 Haar特性值反映了图像的灰度变化。 例如，一些脸部特征可以从矩形特征来简单说明，比如眼睛比脸颊颜色深，鼻梁两侧比鼻梁颜色深，嘴巴比周围颜色深。 但是，长方形的特征只对边缘、线段等简单的图形结构敏感，所以只能描述特定方向(水平、垂直、对角)的结构。
Haar-like特征分类Haar-like特征可以分为四类：线性特征、边缘特征、点特征（中心特征）、对角线特征；
也可以分成三类：边缘特征、线性特征(包含对角线特征)、点特征（中心特征）；如图1(D)所示。
Haar-like特征的计算可以通过改变特征模板的大小和位置，在图像子窗口中穷举许多特征。 将图1(d )特征模板称为"特征原型"； 将要素原型扩展(平移伸缩)到图像子窗口中得到的要素称为矩形要素。 矩形特征的值称为“特征值”。 矩形特征位于图像的任意位置，大小也能够任意变化，因此矩形特征值是矩形模板类别、矩形位置、矩形尺寸这3个要素的函数。 因此，由于类别、大小和位置的变化，小的检测窗口中可能包含很多矩形特征，例如，在24*24像素尺寸的检测窗口中，矩形特征的数目可达到16万个。
1 ) Haar特征个数计算参考博客： http://blog.csdn.net/Xiaowei _ cqu/article/details/8216109
2 )利用积分图Haar特征的加速算法，刚开始把积分图(Integral image )看成是高级的，其实很简单。 关于灰度图像I，其积分图也是与I相同尺寸的图表，但稍微听说过该图表上的任意一点(x、y )的值是由灰度图像I的左上角和当前点包围的召开区域内的所有像素点的灰度值之和与图像直方图和图像累积直方图的关系类似，但这里只是二维图像。
一旦扫描图像到达图像右下方的像素，就完成了积分图像。 积分图构建后，图像中任意矩阵区域的像素求和通过简单运算如图2所示获得。 Haar-like特征值只是两个矩阵的像素和之差，同样可以在一定时间内完成。 因此，矩形特征的模态计算只与该特征矩形的端点的积分图有关，所以无论该特征矩形的尺度变换如何，模态计算所需的时间都是一定的。 由此，只要扫描一次图像，就能够求出所有子窗口的特征量。
参考文献： https://en.Wikipedia.org/wiki/Haar-like _ features
3358 blog.csdn.net/Xiaowei _ cqu/article/details/8216109
3358 blog.csdn.net/LG 1259156776/article/details/48677637
3358 blog.csdn.net/Carson 2005/article/details/8094699
3358 blog.csdn.net/Zou xy09/article/details/7929570 /