（3）採用演算法選取優化的弱分類器

通過Adaboost演算法挑選數千個有效的haar特徵來組成人臉檢測器，Adaboost演算法中不同的訓練集是通過調整每個樣本對應的權重來實現的。

開始時，每個樣本對應的權重是相同的，對於h1分類錯誤的樣本，加大其對應的權重；而對於分類正確的樣本，降低其權重，這樣分錯的樣本就被突出出來，從而得到一個新的樣本分佈U2。

在新的樣本分佈下，再次對弱分類器進行訓練，得到弱分類器h2。依次類推，經過T次迴圈，得到T個弱分類器，把這T個弱分類器按一定的權重疊加（boost）起來，得到最終想要的強分類器。

這裡，我給出訓練弱分類器和選取優化的弱分類器的演算法（演算法圖若看不清，請點選放大）：

分類器訓練完以後，就可以應用於輸入影象中的感興趣區域(與訓練樣本相同的尺寸)的檢測。檢測到目標區域(汽車或人臉)分類器輸出為1，否則輸出為0。

為了檢測整副影象，可以在影象中移動搜尋視窗，檢測每一個位置來確定可能的目標。為了搜尋不同大小的目標物體，分類器被設計為可以進行尺寸改變，這樣比改變待檢影象的尺寸大小更為有效。

所以，為了在影象中檢測未知大小的目標物體，掃描程式通常需要用不同比例大小的搜尋視窗對圖片進行幾次掃描。

（4）構成級聯結構的層疊分類器

每個特定分類器所使用的特徵用形狀、感興趣區域中的位置以及比例係數（這裡的比例係數跟檢測時候採用的比例係數是不一樣的，儘管最後會取兩個係數的乘積值）來

分類器中的“級聯”是指最終的分類器是由幾個簡單分類器級聯組成。在影象檢測中，被檢視窗依次通過每一級分類器，這樣在前面幾層的檢測中大部分的候選區域就被排除了，全部通過每一級分類器檢測的區域即為目標區域。

同樣，我們給定訓練級聯結構的分類器的演算法（演算法圖若看不清，請點選放大）：

補充：訓練樣本的選擇和訓練系統總體框架

訓練樣本要求是面部特寫影象，下圖是一簇訓練樣本，大小被歸一化為24×24畫素。

其中，正訓練樣本要求是面部特寫影象，但是人臉形態千差萬別，所以訓練樣本選取過程中要考慮到樣本的多樣性。

負訓練樣本，大小被歸一化為24×24畫素，其中各樣本不完全相同，分別具有一定的代表性。

訓練系統總體框架，由“訓練部分”和“補充部分”構成。依據系統框架，本文的訓練系統可分為以下幾個模組：

(1)以樣本集為輸入，在給定的矩形特徵原型下，計算並獲得矩形特徵集；

       (2)以特徵集為輸入，根據給定的弱學習演算法，確定閩值，將特徵與弱分類器一一對應，獲得弱分類器集；

        (3)以弱分類器集為輸入，在訓練檢出率和誤判率限制下，使用A d a B o o s t演算法

挑選最優的弱分類器構成強分類器；

       (4)以強分類器集為輸入，將其組合為級聯分類器；

        (5)以非人臉圖片集為輸入，組合強分類器為臨時的級聯分類器，篩選並補充非人臉樣本。