儘量用簡單的語言總結一下，利用haar特徵，結合級聯分類器進行XX檢測，這裏以XX代表人臉。
整體思路分爲5大步：
1、準備人臉、非人臉樣本集；
2、計算特徵值和積分圖；
3、挑選最優分類器；
4、利用AdaBoost把這些分類器訓練成一個強分類器；
5、級聯，也就是強分類器的強強聯手。
在開始前，一定要記住，以24*24窗口爲例，就有16萬+的特徵數量，所以首先要從中篩選有用的特徵（即最優弱分類器），然後利用AdaBoost將這些最優弱分類器訓練成一個強分類器，最後將強分類器進行級聯。
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
1、準備人臉、非人臉樣本集
這一步沒什麼好說的，
2、計算特徵值和積分圖
Haar特徵，也就是那三種特徵，邊緣特徵、線性特徵、特徵方向特徵，
haar特徵及特徵值計算，推薦博文，點擊鏈接
積分圖計算也很簡單，一搜一大把，給個例子
如下圖
那麼如何利用積分圖進行計算呢？舉例如下圖
假設計算特徵 1 1 2 2，直接 sum(藍色區域) - sum(粉色區域) = (2+2) - (1+1) = 2
利用積分圖像計算 區域A = (9+2) - (3+6) =2, 區域B = (17+6) - (10+9) = 4, 區域B - 區域A = 4 - 2 = 2。
使用積分圖，可以對haar特徵值計算進行加速。
3、挑選最優分類器
這一步是很多教程講解不清楚的地方。
之前一直以爲計算到haar特徵值後，然後直接用AdaBoost進行訓練強分類器，大錯特錯！
以24*24爲例，16萬+個特徵值，如果直接利AdaBoost訓練，那麼工作量是極其極其巨大的。
所以必須有個篩選的過程，篩選出T個優秀的特徵值（即最優弱分類器），然後把這個T個最優弱分類器傳給AdaBoost進行訓練。
如何挑選？
鏈接，只需瞭解 3.1即可
4、利用AdaBoost訓練一個強分類器
此時，我們手中有T個最優弱分類器（在第3步中得到），現在就要利用AdaBoost算法了
換句話說，a weighted combination of all these found weak classifiers to evalute and decide any given window has a face or not.
這裏有個非常好的講解，結合實例來說，更明朗
PPT中的Y值 是1 or -1，可以理解爲正樣本和負樣本，或者理解爲人臉和非人臉，
X爲haar特徵值，所以從這個角度來講，每個haar特徵值就是一個弱分類器。
5、級聯，也就是強分類器的強強聯手
推薦這篇文章 的2.3節，雖然我也沒有看明白， 感覺就是決策樹的問題了。
就這麼多了，有問題一起探討。