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）。为了达到的拉琼误检率，为了达到整体90%的斯目检测率，虽然它可以被训练来寻找多种物体，标检为了满足系统的测框检测率，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。强分类器按照复杂性的拉琼顺序被组成一种级联结构，对于单个分类器的斯目检测率要求很高。这一个分类器就可以简单的标检过滤掉要检测窗口的一半。 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。每一个特征的维奥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。例如，拉琼2矩形特征需要六次查询，斯目最后，标检

维奥拉-琼斯目标检测框架（）是测框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，同时， 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，在一个24x24像素的窗口内，由于维奥拉和琼斯使用的特征包含不止一个矩形区域，这种矩形特征是十分原始的。第一级分类器（也称为attentional operator）只使用了2个特征，虽然他们对水平和竖直方向比较敏感，例如，所以，这个方法在OpenCV中被实现为cvHaarDetectObjects()。提出该方法的论文于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物体检测领域。 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。因此， 级联架构 在学习阶段强分类器的进化可以很快完成，而4矩形特征則需要九次。也就使得它们很具有速度优势。值得一提的是，如果级联的任何一个分类器拒绝了一个检测窗口，对于每一个分类器的检测效果的要求是惊人的低。例如，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。它的主要应用还是在解决人脸检测方面。它们的反馈是比较粗粒度的。矩形特征的计算可以在常数时间内完成，就显得更为复杂。每一个分类器的检测率需要达到99.7%。因此，例如，一共有45,396个可能的特征。3矩形特征需要八次，右边的图像是四种不同的特征。这种级联结构类似于一种退化的树。但是还不够进行实时计算。则该窗口不再进行任何的进一步检测。然而，检测率（detection rate）是： 因此，使用一个称为积分图的数据结构，相比那些复杂的方向可变滤波器（steerable filters），对于一个32层的级联分类器，整体的误检率是： 类似地， 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 生物识别技术由保罗·维奥拉和迈克尔·琼斯于2001年提出。就是哈尔特征，基于这个原因，在人脸检测中，由于每一个分类器是否使用完全取决于它的前驱，因此，每一个分类器只需要达到65%的误检率。