adaboost分类器
Haar特征一般与adaboost分类器在一起运用，在人脸识别上运用较为成熟。
adaboost分类的特点是：前一个分类器分出来的样本，在下一个分类器中会得到加强，加强后的样本继续做分类训练作为下一个基本的分类器。例如：三个苹果和一个香蕉，想要通过分类器讲苹果和香蕉区分出来，第一次经过分类器的时候，三个苹果的值为0.1，香蕉为0.5，经过第二个分类器的时候0.5的值会继续快速增大，就是香蕉的权重快速变大，这就是adaboost分类器的特点，负样本会逐渐加强，正样本的值会逐渐减小。
那么训练的中止条件是什么呢？
1，循环的次数规定 2，正样本或者负样本某个系数的规定值。例如香蕉的系数到了0.7中止
下面从三个方面来介绍分类器
1，分类器的结构 2，adaboost的计算过程 3，xml文件结构
1 分类器的结构
一个个的判决的过程，例如判断Haar>T1且Haar>T2则判断为苹果，级联分类器，这里由两个强分类器组成，其实一般是由15-20个强分类器来组成的，其实也是一个设置阈值的过程。
强分类器的结构（判决）：强分类器以三个级联在一起，Adaboost以三个强分类器级联在一起的时候，例如第一个强分类器的特征为x1，阈值为t1；第二个强分类器的特征为x2，阈值为t2；第三个强分类器的特征为x3，阈值为t3。在判决的时候：
x1>t1；x2>t2；x3>t3这里都通过了才可以判决，只要有任何一个不通过则不可以。阈值来源于之前一个个的分类器得到的值。
一个强分类器可以分解为若干个弱分类器；一个弱分类器可以分割为若干个特征Node。
弱分类器的结构（计算强分类器的特征）：计算x1，x2，x3；例如：
x2 = sum(若干个弱分类器计算得到的特征）构成强分类器的特征；强分类器的特征计算，这里表示为x2 = sum(y1,y2,y3）
那么弱分类器的特征又是如何计算的呢？
可以知道的是弱分类器是由弱干特征Node节点组成。在opencv中，一个弱分类器最多支持3个Haar特征，也就对应的每个弱分类器最多三个haar的node节点，每一个特征构成一个node节点，所以三个haar特征就有三个节点，每一个特征看作一个节点。对于每个节点来说
haar>nodeT1，haar特征大于一个阈值的时候，z1 = a1，这个特征就赋值为a1；若haar<nodeT1，haar特征小于一个阈值的时候，z1 = a2，这个特征就赋值为a2。每一个节点都可以得到三个值，则整个node节点的和S=sum(z1,z2,z3)，若Z>T，则y1=AA，这里的意思就是说弱分类器得到的特征大于一个阈值，则赋值为AA，若Z<T，则y1=BB。
2 adaboost的计算过程
- 初始化数据权重分布（需要公式计算的)；
- 遍历判决阈值，计算出一系列的误差概率，获取最小的误差概率p，对应的一个权重t得到；
- 根据前面的计算过程计算一个权重；权重系数
- 更新权重分布
3 xml文件结构
分类器的那些权值等等的设置