最简单的利用特征区分目标就是使用阈值判决。
那好，先解决什么是Haar特征
上面蓝色背景代表（目标）定义图片，黑白特征是harr特征；
将当前的黑白模板放到图像的任意位置上，假设模板大小为10x10矩阵，覆盖100个像素大小，黑色50个像素点，白色50个像素点；
则：将白色区域在目标图片上所得的50个像素和-黑色区域的像素和=特征；
或：整个区域的像素在目标图片上所得的100个像素和
整体像素权重为1；黑色像素权重为-2；
harr特征遍历图像过程：假设图像模板10x10大小，图片是100x100大小。模板沿着图片水平和垂直方向滑动，从上到下，从左到右遍历一次。
在遍历过程中还要考虑到步长问题，也就是说模板一次滑动几个像素，如每次滑动10个像素，则需要滑动9次，加上最开始位置的1次，则水平竖直方向共计100个这样的模板；
当然，有时候有的人脸可能小，有的可能很大，10x10的窗口可能检测不到，出现漏检的情况。这时就需要缩放；这时遍历子窗口进行了等比例的放大，那么矩形特征（a、b、c、d、e）也要进行一定比例的放大。然后计算Harr特征向量，再判别记录。
如此循环计算，直到子窗口大小达到不超过原始图像的最大尺寸。然后，再将所有记录过的人脸的进行标记，由于人脸区域在不同尺度的窗口中可能会有重复检测到，所以需要将重叠检测到的人脸区域合并起来成为一个区域并标记。
举例计算过程：
如一个1080*720的图片；模板大小10*10；步长为2；缩放20级；
若想对图片进行实时处理的话，每秒钟不能低于15帧每秒；
一张图片需要1000亿次才能将Harr特征计算完毕；计算完成还需要判决等操作；因此计算量非常大；
国外大神提出基于积分图的计算方式，能减少这种运算量；
积分图计算
A区域只包含自己，B区域包涵AB两部分，C区域包涵AC两部分；D包涵四个方框之和；
1代表A区域，2代表B-A区域；3代表C-A区域；4代表最右边小方框区域。
则计算4区域像素可以由原来的（10*10=100）变成下面原理；将10*10的运算变成3次加减运算得到；
但是在最先开始计算时，还是需要全部遍历一次像素，在后面再次计算时，才能采用相邻区域计算
Harr算法与AdaBoost级联分类器一般是一起使用：