在数字图像处理领域，特征提取是识别和分类图像中对象的关键步骤之一。其中，Haar特征是一种非常流行的特征提取方法，尤其在物体检测任务中表现突出。它的名字来源于Haar小波，这种特征通过比较图像中不同区域的亮度差异来捕捉边缘、线性和纹理信息。
Haar特征主要由矩形区域组成，这些矩形可以叠加在图像上，用于计算各个区域之间的像素值差异。通常，这些矩形被设计成黑白相间的模式，类似于国际象棋棋盘上的方格，这有助于捕捉图像中的边缘和线条。例如，一个简单的Haar特征可能包含两个相邻且大小相同的矩形区域，其中一个区域的像素值总和与另一个区域进行对比，以确定该区域内的亮度变化。
通过大量这样的特征组合，机器学习算法（如Adaboost）能够训练出高效的物体检测模型。这些模型可以在图像中快速定位特定的对象，例如人脸或车辆。由于Haar特征简单且计算效率高，它们已成为许多实时应用的理想选择，从安全监控系统到智能手机应用程序中的面部识别功能。