adaboost分類器
Haar特徵一般與adaboost分類器在一起運用，在人臉識別上運用較爲成熟。
adaboost分類的特點是：前一個分類器分出來的樣本，在下一個分類器中會得到加強，加強後的樣本繼續做分類訓練作爲下一個基本的分類器。例如：三個蘋果和一個香蕉，想要通過分類器講蘋果和香蕉區分出來，第一次經過分類器的時候，三個蘋果的值爲0.1，香蕉爲0.5，經過第二個分類器的時候0.5的值會繼續快速增大，就是香蕉的權重快速變大，這就是adaboost分類器的特點，負樣本會逐漸加強，正樣本的值會逐漸減小。
那麼訓練的中止條件是什麼呢？
1，循環的次數規定 2，正樣本或者負樣本某個係數的規定值。例如香蕉的係數到了0.7中止
下面從三個方面來介紹分類器
1，分類器的結構 2，adaboost的計算過程 3，xml文件結構
1 分類器的結構
一個個的判決的過程，例如判斷Haar>T1且Haar>T2則判斷爲蘋果，級聯分類器，這裏由兩個強分類器組成，其實一般是由15-20個強分類器來組成的，其實也是一個設置閾值的過程。
強分類器的結構（判決）：強分類器以三個級聯在一起，Adaboost以三個強分類器級聯在一起的時候，例如第一個強分類器的特徵爲x1，閾值爲t1；第二個強分類器的特徵爲x2，閾值爲t2；第三個強分類器的特徵爲x3，閾值爲t3。在判決的時候：
x1>t1；x2>t2；x3>t3這裏都通過了纔可以判決，只要有任何一個不通過則不可以。閾值來源於之前一個個的分類器得到的值。
一個強分類器可以分解爲若干個弱分類器；一個弱分類器可以分割爲若干個特徵Node。
弱分類器的結構（計算強分類器的特徵）：計算x1，x2，x3；例如：
x2 = sum(若干個弱分類器計算得到的特徵）構成強分類器的特徵；強分類器的特徵計算，這裏表示爲x2 = sum(y1,y2,y3）
那麼弱分類器的特徵又是如何計算的呢？
可以知道的是弱分類器是由弱幹特徵Node節點組成。在opencv中，一個弱分類器最多支持3個Haar特徵，也就對應的每個弱分類器最多三個haar的node節點，每一個特徵構成一個node節點，所以三個haar特徵就有三個節點，每一個特徵看作一個節點。對於每個節點來說
haar>nodeT1，haar特徵大於一個閾值的時候，z1 = a1，這個特徵就賦值爲a1；若haar<nodeT1，haar特徵小於一個閾值的時候，z1 = a2，這個特徵就賦值爲a2。每一個節點都可以得到三個值，則整個node節點的和S=sum(z1,z2,z3)，若Z>T，則y1=AA，這裏的意思就是說弱分類器得到的特徵大於一個閾值，則賦值爲AA，若Z<T，則y1=BB。
2 adaboost的計算過程
- 初始化數據權重分佈（需要公式計算的)；
- 遍歷判決閾值，計算出一系列的誤差概率，獲取最小的誤差概率p，對應的一個權重t得到；
- 根據前面的計算過程計算一個權重；權重係數
- 更新權重分佈
3 xml文件結構
分類器的那些權值等等的設置