Las características de Haar son características de imágenes digitales utilizadas en el reconocimiento de patrones . Deben su nombre a un parecido intuitivo con las ondículas de Haar . Las características de Haar se utilizaron en el primer detector de rostros en tiempo real.
Históricamente, los algoritmos que trabajan solo con la intensidad de una imagen (por ejemplo, el valor RGB en cada píxel) tienen una alta complejidad computacional. En el trabajo de Papageorgiou [1] , se consideró trabajar con un conjunto de características basadas en ondículas de Haar . Viola y Jones [2] adaptaron la idea de usar wavelets de Haar y desarrollaron lo que llamaron características de Haar. El signo de Haar consta de áreas rectangulares adyacentes. Se colocan en la imagen, luego se suman las intensidades de píxeles en las regiones, después de lo cual se calcula la diferencia entre las sumas. Esta diferencia será el valor de una cierta característica, un cierto tamaño, posicionado de cierta manera en la imagen.
Por ejemplo, considere una base de datos con rostros humanos. Común a todas las imágenes es que el área alrededor de los ojos es más oscura que el área alrededor de las mejillas. Por lo tanto, una característica común de Haar para las caras son 2 regiones rectangulares adyacentes que se encuentran en los ojos y las mejillas.
Durante el paso de detección en el método Viola-Jones, una ventana de un tamaño fijo se mueve a través de la imagen, y para cada área de la imagen sobre la que pasa la ventana, se calcula el signo de Haar. La presencia o ausencia de un objeto en la ventana está determinada por la diferencia entre el valor de la característica y el umbral de aprendizaje. Dado que las características de Haar no son muy adecuadas para el aprendizaje o la clasificación (la calidad es ligeramente superior a la de un valor aleatorio normalmente distribuido ), se necesita una mayor cantidad de características para describir un objeto con suficiente precisión. Por lo tanto, en el método de Viola-Jones, las características de Haar se organizan en un clasificador en cascada.
La característica clave de las señales de Haar es la mayor velocidad en comparación con otras señales. Cuando se usa la representación integral de la imagen, las características de Haar se pueden calcular en tiempo constante (alrededor de 60 instrucciones de procesador por característica de dos regiones).
La característica de Haar rectangular más simple se puede definir como la diferencia entre las sumas de los píxeles de dos áreas adyacentes dentro de un rectángulo que pueden ocupar diferentes posiciones y escalas en la imagen. Este tipo de características se llama 2-rectangular. Viola y Jones también identificaron características 3-rectangulares y 4-rectangulares. Cada característica puede indicar la presencia (o ausencia) de una característica particular de la imagen, como bordes o cambios de textura. Por ejemplo, una característica de 2 rectángulos puede mostrar dónde está el borde entre las regiones oscuras y claras.
Linhart y Maid [3] introdujeron la idea de las características inclinadas (45 grados) de Haar. Esto se hizo para aumentar la dimensión del espacio de características. El método resultó ser exitoso y algunos signos oblicuos pudieron describir mejor el objeto. Por ejemplo, un signo de Haar sesgado de 2 rectángulos podría mostrar la presencia de un borde inclinado de 45 grados.
Messom y Barzak [4] ampliaron el concepto de signos oblicuos de Haar. Aunque la idea es matemáticamente correcta, en la práctica existen problemas al utilizar características desde diferentes ángulos. Para acelerar los cálculos, el detector utiliza imágenes de baja resolución, lo que genera un error de redondeo. En base a esto, los signos de Haar oblicuos no se usan comúnmente.