Haar-like特征是计算机视觉领域一种常用的特征描述算子(也称为Haar特征，这是因为Haar-like是受到一维haar小波的启示而发明的,所以称为类Haar特征)，后来又将Haar-like扩展到三维空间(称为3DHaar-Like)用来描述视频中的动态特征。关于Haar的发展历程如图1所示。
图1
目前最常用的还是Haar-like特征，描述图像的特征，多用于人脸检测、行人检测，等目标检测；Haar-like特征可以理解为卷积模板(如同prewitt、sobel算子，当然不完全一样)，Haar-like特征模板内只有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向（水平、垂直、对角）的结构。
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。
通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征。图1(D)中的的特征模板称为“特征原型”；特征原型在图像子窗口中扩展（平移伸缩）得到的特征称为“矩形特征”；矩形特征的值称为“特征值”。矩形特征可位于图像任意位置，大小也可以任意改变，所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化，使得很小的检测窗口含有非常多的矩形特征，如：在24*24像素大小的检测窗口内矩形特征数量可以达到16万个。
http://blog.csdn.net/xiaowei_cqu/article/details/8216109
刚开始认为积分图(Integral image)是个高深的东西，其实很简单。对于一个灰度图像I而言，其积分图也是一张与I尺寸相同的图，只不过该图上任意一点(x,y)的值是指从灰度图像I的左上角与当前点所围成的举行区域内所有像素点灰度值之和，有点耳熟吧。类似于图像直方图与图像累积直方图的关系，这里只不过是二维的图像。
当把扫描图像一遍，到达图像右下角像素时，积分图像就构造好了。积分图构造好之后，图像中任何矩阵区域的像素累加和都可以通过简单运算得到如图2所示。而Haar-like特征值无非就是两个矩阵像素和的差，同样可以在常数时间内完成。所以矩形特征的特征值计算，只与此特征矩形的端点的积分图有关，所以不管此特征矩形的尺度变换如何，特征值的计算所消耗的时间都是常量。这样只要遍历图像一次，就可以求得所有子窗口的特征值。
参考文献：https://en.wikipedia.org/wiki/Haar-like_features
http://blog.csdn.net/xiaowei_cqu/article/details/8216109
http://blog.csdn.net/lg1259156776/article/details/48677637
http://blog.csdn.net/carson2005/article/details/8094699
http://blog.csdn.net/zouxy09/article/details/7929570/
