A Haar funkciók a mintafelismeréshez használt digitális képjellemzők . Nevüket a Haar waveletekkel való intuitív hasonlóságnak köszönhetik . A Haar funkciókat használták az első valós idejű arcdetektorban.
A történelem során az olyan algoritmusok, amelyek csak a kép intenzitásával (pl. az egyes pixelekben az RGB-értékkel) működnek, nagy számítási bonyolultságúak. Papageorgiou [1] munkájában a Haar-hullámokon alapuló jellemzőkészlettel végzett munkát vették figyelembe . Viola és Jones [2] adaptálta a Haar-hullámok használatának ötletét, és kifejlesztette az úgynevezett Haar-jellemzőket. A Haar jel szomszédos téglalap alakú területekből áll. Elhelyezkednek a képen, majd a régiókban a pixelintenzitást összegzik, ami után kiszámítják az összegek közötti különbséget. Ez a különbség egy bizonyos jellemző, egy bizonyos méret értéke lesz, bizonyos módon elhelyezve a képen.
Vegyünk például egy emberi arcokat tartalmazó adatbázist. Minden képre jellemző, hogy a szem körüli terület sötétebb, mint az arc körül. Ezért a Haar közös jellemzője az arcok számára, hogy 2 szomszédos téglalap alakú terület a szemeken és az arcokon fekszik.
A Viola-Jones módszer észlelési lépése során egy rögzített méretű ablak mozog a képen, és a kép minden olyan területére, amelyen az ablak áthalad, a Haar előjelet számítják ki. Egy objektum jelenlétét vagy hiányát az ablakban a jellemző értéke és a tanulási küszöb közötti különbség határozza meg. Mivel a Haar-jellemzők nem nagyon alkalmasak tanulásra vagy osztályozásra (a minőség valamivel magasabb, mint egy véletlenszerű, normális eloszlású értéké ), nagyobb számú jellemző szükséges egy objektum megfelelő pontosságú leírásához. Ezért a Viola-Jones módszerben a Haar jellemzők kaszkád osztályozóba vannak rendezve.
A Haar táblák fő jellemzője a többi táblához képest a legnagyobb sebesség. A kép integrált ábrázolása esetén a Haar-jellemzők konstans időben számíthatók (körülbelül 60 processzorutasítás jellemzőnként két területről).
A legegyszerűbb téglalap alakú Haar-jellemző úgy definiálható, mint egy téglalapon belüli két szomszédos terület pixelösszege közötti különbség, amely a képen különböző pozíciókat és léptékeket foglalhat el. Az ilyen típusú elemeket 2-téglalap alakúnak nevezik. Viola és Jones 3 téglalap és 4 téglalap alakú jellemzőket is azonosított. Mindegyik jellemző jelezheti egy adott képjellemző jelenlétét (vagy hiányát), például szegélyeket vagy textúraváltozásokat. Például egy 2 téglalap alakú elem megmutathatja, hol van a határ a sötét és a világos területek között.
Linhart és Maid [3] bevezette a ferde (45 fokos) Haar-vonások ötletét. Ez a funkciótér méretének növelése érdekében történt. A módszer sikeresnek bizonyult, és néhány ferde jel jobban le tudta írni az objektumot. Például egy 2 téglalap alakú ferde Haar-tábla 45 fokos ferde él jelenlétét jelezheti.
Messom és Barzak [4] kiterjesztette Haar ferde jelek fogalmát. Bár az ötlet matematikailag helyes, a gyakorlatban problémák adódhatnak a funkciók különböző szögekből történő használatakor. A számítások felgyorsítása érdekében a detektor kis felbontású képeket használ, ami kerekítési hibához vezet. Ennek alapján a ferde Haar jeleket nem szokták használni.