概述
Haar-like特征（也可以是gabor+PCA、等） + 积分图方法 + adaboost + 级联 的人脸检测。
AdaBoost算法学习
弱分类器个数T的确定
具体依据
-
强分类器的检出率（误判率）随着阈值的减小而增大，随着阈值的增加而减小。极端的情况，如果将阈值设置为0，那么强分类器会将所有的样本分类为人脸，这时检出率和误判率最大，为100%；
-
增加弱分类器的数目可以减小误判率。
两个基本概念
-
强分类器的训练检出率=被正确检出的人脸数与人脸样本总数的比例；
-
强分类器的训练误判率=被误判为人脸的非人脸样本数与非人脸样本总数的比例
什么是级联
级联是一个多级方法，每个学习器关联一个置信度，在分类中如果所有前驱学习器的结果均不够确信，我们才使用下一个学习器。置信度函数被设置为最高的后验；
主要思想：在初期使用简单的分类器处理大多数实例，而更为复杂的分类器仅用于少数实例，因此并不显著增加总体复杂度。
级联示意图如下：级联多个强分类器，每通过一个分类器后会去掉一部分候选区域，如果分类器足够强，通过第一个分类器后除了目标外都被去掉了，则不需要继续后面的分类，否则继续用分类器筛选，都不剔除则为目标。即前级处理简单，后级处理困难。如人脸检测中，大量的检测窗口只需要最初的几层简单的判断就可被淘汰掉。（级联的是强分类器，而adaboost中是对各个弱分类器进行筛选后组成 强 分类器）
训练L层级联分类器的步骤如下：
-
训练第i层强分类器Hi（每层的训练由adaboost完成）；
-
保存强分类器Hi的参数，即各弱分类器的参数、强分类器的阈值以及被Hi误判为人脸的非人脸样本；
-
补充非人脸样本集，组合前i层强分类器对候选非人脸样本进行检测，将被误判为人脸的非人脸样本加入到样本集中（人脸样本不更新）； （4）训练第i+1层强分类器。
级联的优势：
-
降低训练难度：对于一个强分类器与一个L层的级联分类器，假设它们误判率相同为F，可知级联分类器的各层强分类器的误判率要大于F，训练一个误判率较高的强分类器难度相对较小。
-
降低非人脸样本选取难度：训练级联结构的分类器，通过程序“自举”非人脸样本，逐层增加训练难度，可以很好的解决非人脸样本选取的难题。
自举：在1个容量为n的原始样本中重复抽取一系列容量也是n的随机样本，并保证每次抽样中每一样本观察值被抽取的概率都是1/n(复置抽样)。
Haar分类器
Haar分类器 = Haar-like特征 + 积分图方法 + AdaBoost + 级联；
Haar-like特征：一类矩形以一个方向在一个位置为一个Haar特征，可作为一个弱分类器。
积分图方法：加快Haar-like特征的计算速度。
Adaboost算法：使用训练样本集对多个弱分类器（或说基学习器）进行测试筛选，得到各个分类器的正确率，小于1/2的舍去，大于1/2的留下，并根据正确率大小赋予相应的权值，采用加权投票组合成一个强分类器。其训练思想为将实例的抽取概率改成误差的函数。
级联：组合多个强分类器，根据识别率给各个强分类器赋予一个相应的置信度，逐层通过强分类器去掉候选项，如输入一副图像，通过第一层强分类器就被排除了，则不用通过后续的强分类器。前级处理简单，后级处理困难