在前一个分类得出的结果在下一个分类器中会得到加强，加强后的全体样本再进行训练
例子：
苹果 苹果 苹果 香蕉
第一次训练得出的结果： 0.1 0.1 0.1 0.5

训练的终止条件：1、迭代的最大次数（循环最大次数）2、每次迭代之后，有一个最小检测概率，当训练过程大于最小的检测概率，则终止条件。

主要内容：
1、分类器的结构 2、Adaboost分类器计算过程 3、opencv自带人脸识别Adaboost分类器的文件结构（xml）

第一部分：分类器的结构

image.png

第一级：强分类器

当 haar>某一个阈值 就认为是苹果，一般需要多级分类器判决:
haar>T1 and haar>T2 （2个强分类器，应用时一般为15-20个强分类器，只有当计算出的haar特征连续通过10-20个强分类器，才能被认为是所需目标）

例子：
3个强分类器： x1 x2 x3
对于的阈值： t1 t2 t3
进行判决时：x1>t1 and x2>t2 and x3>t3 ----->认为是所需的目标

作用：对输入的样本进行计算，然后通过阈值判断，进行判决（是或不是所需目标）

第二级：弱分类器

一个强分类器下边也有若干个弱分类器

作用：计算强分类器的特征，也就是计算前面提到的 x1 x2 x3

分类器x2下有3个弱分类器，其计算特征为y1,y2,y3，那么强分类器x2 =sum( y1,y2,y3 )

第三级：弱分类器的特征计算

弱分类器的y是由若干个节点（node）组成
在opencv中，一个弱分类器最多支持三个haar特征，而这三个haar特征，每一个haar特征构成1一个node节点

一个haar特征对应一个node：
若其haar特征>当前node的特征 （阈值判决） ，那么当前node节点的特征 z1 = 阿法1；
若其haar特征<当前node的特征 （阈值判决） ，那么当前node节点的特征 z1 = 阿法2

将三个node节点的值进行求和，若:
z = sum（z1,z2,z3）>弱分类器的判决门限T ，则y = AA （弱分类器被赋予一个值）
z = sum（z1,z2,z3）<弱分类器的判决门限T ，则y = BB （弱分类器被赋予另外一个值）