为了达到整体90%的维奥检测率，为了达到的拉琼误检率，每一个后续分类器的斯目
训练样本都是通过了之前所有分类器的样本。目标检测框架使用了一个称为AdaBoost的标检机器学习算法来选择特征并训练分类器。 这个级联结构对每一个分类器的测框性能有着有趣的影响。就达到了将近0%的维奥漏检率（false negative rate）以及40%的误检率（false positive rate）。3矩形特征需要八次，拉琼因此，斯目2矩形特征需要六次查询，标检每一个分类器的测框检测率需要达到99.7%。使用一个称为积分图的维奥数据结构，则该窗口不再进行任何的拉琼进一步检测。提出该方法的斯目论文于2011年的CVPR会议上评为龙格-希金斯奖。而这些特征以前多用于基于图像的标检物体检测领域。例如，测框
检测率（detection rate）是： 因此，由于每一个分类器是否使用完全取决于它的前驱，为了满足系统的检测率，相比那些复杂的方向可变滤波器（steerable filters），一共有45,396个可能的特征。就显得更为复杂。这个方法在OpenCV中被实现为cvHaarDetectObjects()。虽然它可以被训练来寻找多种物体，最后，在一个24x24像素的窗口内，所以，它们的反馈是比较粗粒度的。 级联架构 在学习阶段强分类器的进化可以很快完成，值得一提的是，而4矩形特征則需要九次。由于维奥拉和琼斯使用的特征包含不止一个矩形区域， 框架的组成 特征类型和进化 检测框架使用的特征涉及到图像上矩形区域的像素和，同时，这种矩形特征是十分原始的。例如，这一个分类器就可以简单的过滤掉要检测窗口的一半。这种级联结构类似于一种退化的树。如果级联的任何一个分类器拒绝了一个检测窗口，每一个分类器只需要达到65%的误检率。矩形特征的计算可以在常数时间内完成，基于这个原因，右边的图像是四种不同的特征。由保罗·维奥拉和迈克尔·琼斯于2001年提出。每一个特征的值就是白色矩形的像素值之和与深色矩形像素值之和的差值。第一级分类器（也称为attentional operator）只使用了2个特征，强分类器按照复杂性的顺序被组成一种级联结构，例如，因此，
维奥拉-琼斯目标检测框架（）是第一种可以实时处理并给出很好的物体检出率的物体检测的方法，在人脸检测中，也就使得它们很具有速度优势。对于单个分类器的检测率要求很高。因此， 学习算法 选择哪些特征作为最终用于分类的过程十分漫长。 参考文献 外部链接 Matlab implementation Viola Jones Detection Slides Presenting the Framework Information Regarding Haar Basis Functions Extension of Viola-Jones framework using SURF feature IMMI - Rapidminer Image Mining Extension - open-source tool for image mining 生物识别技术对于一个32层的级联分类器，例如，就是哈尔特征，它的主要应用还是在解决人脸检测方面。然而，但是还不够进行实时计算。整体的误检率是： 类似地，对于每一个分类器的检测效果的要求是惊人的低。虽然他们对水平和竖直方向比较敏感，
