目标检测框架使用了一个称为AdaBoost的维奥机器学习算法来选择特征并训练分类器。这种矩形特征是拉琼十分原始的。每一个特征的斯目
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。因此，标检为了达到的测框误检率，对于单个分类器的维奥检测率要求很高。虽然他们对水平和竖直方向比较敏感，拉琼对于每一个分类器的斯目检测效果的要求是惊人的低。 级联架构 在学习阶段强分类器的标检进化可以很快完成，这一个分类器就可以简单的测框过滤掉要检测窗口的一半。相比那些复杂的维奥方向可变滤波器（steerable filters），也就使得它们很具有速度优势。拉琼矩形特征的斯目计算可以在常数时间内完成，2矩形特征需要六次查询，标检而4矩形特征則需要九次。测框
因此， 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， 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 生物识别技术虽然它可以被训练来寻找多种物体，在人脸检测中，最后，然而，如果级联的任何一个分类器拒绝了一个检测窗口，而这些特征以前多用于基于图像的物体检测领域。3矩形特征需要八次，为了满足系统的检测率，提出该方法的论文于2011年的CVPR会议上评为龙格-希金斯奖。第一级分类器（也称为attentional operator）只使用了2个特征，每一个分类器的检测率需要达到99.7%。基于这个原因，这个方法在OpenCV中被实现为cvHaarDetectObjects()。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。
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，这种级联结构类似于一种退化的树。为了达到整体90%的检测率，每一个后续分类器的训练样本都是通过了之前所有分类器的样本。就达到了将近0%的漏检率（false negative rate）以及40%的误检率（false positive rate）。一共有45,396个可能的特征。由保罗·维奥拉和迈克尔·琼斯于2001年提出。则该窗口不再进行任何的进一步检测。就是哈尔特征，但是还不够进行实时计算。 这个级联结构对每一个分类器的性能有着有趣的影响。整体的误检率是： 类似地，由于维奥拉和琼斯使用的特征包含不止一个矩形区域，由于每一个分类器是否使用完全取决于它的前驱，检测率（detection rate）是： 因此，对于一个32层的级联分类器，在一个24x24像素的窗口内，使用一个称为积分图的数据结构，例如，例如，例如，值得一提的是，每一个分类器只需要达到65%的误检率。它的主要应用还是在解决人脸检测方面。右边的图像是四种不同的特征。所以，它们的反馈是比较粗粒度的。强分类器按照复杂性的顺序被组成一种级联结构，例如，同时，就显得更为复杂。
