通过Adaboost算法挑选数千个有效的haar特征来组成人脸检测器，Adaboost算法中不同的训练集是通过调整每个样本对应的权重来实现的。
开始时，每个样本对应的权重是相同的，对于h1分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布U2。
在新的样本分布下，再次对弱分类器进行训练，得到弱分类器h2。依次类推，经过T次循环，得到T个弱分类器，把这T个弱分类器按一定的权重叠加（boost）起来，得到最终想要的强分类器。
这里，我给出训练弱分类器和选取优化的弱分类器的算法（算法图若看不清，请点击放大）：
分类器训练完以后，就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测。检测到目标区域(汽车或人脸)分类器输出为1，否则输出为0。
为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。
所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对图片进行几次扫描。
（4）构成级联结构的层叠分类器
每个特定分类器所使用的特征用形状、感兴趣区域中的位置以及比例系数（这里的比例系数跟检测时候采用的比例系数是不一样的，尽管最后会取两个系数的乘积值）来定义。
分类器中的“级联”是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器，这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。
同样，我们给定训练级联结构的分类器的算法（算法图若看不清，请点击放大）：
补充：训练样本的选择和训练系统总体框架
训练样本要求是面部特写图像，下图是一簇训练样本，大小被归一化为24×24像素。
其中，正训练样本要求是面部特写图像，但是人脸形态千差万别，所以训练样本选取过程中要考虑到样本的多样性。
负训练样本，大小被归一化为24×24像素，其中各样本不完全相同，分别具有一定的代表性。
训练系统总体框架，由“训练部分”和“补充部分”构成。依据系统框架，本文的训练系统可分为以下几个模块：
(1)以样本集为输入，在给定的矩形特征原型下，计算并获得矩形特征集；
(2)以特征集为输入，根据给定的弱学习算法，确定闽值，将特征与弱分类器一一对应，获得弱分类器集；
(3)以弱分类器集为输入，在训练检出率和误判率限制下，使用A d a B o o s t算法
挑选最优的弱分类器构成强分类器；
(4)以强分类器集为输入，将其组合为级联分类器；
(5)以非人脸图片集为输入，组合强分类器为临时的级联分类器，筛选并补充非人脸样本。
