Paul Viola和Michael Jones於2001年將Adaboost算法應用於人臉檢測中,其基本思想是針對不同的訓練集訓練同一個分類器（弱分類器），然後把這些不同訓練集上的得到的分類器聯合起來，構成一個最終的強分類器。Adaboost 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 次循環，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。
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爲以下幾個模塊:
(1)以樣本集爲輸入，在給定的矩形特徵原型下，計算並獲得矩形特徵集;
(2)以特徵集爲輸入，根據給定的弱學習算法，確定閩值，將特徵與弱分類器一一對應，獲得弱分類器集;
(3)以弱分類器集爲輸入， 在訓練檢出率和誤判率限制下， 使用A d a B o o s t 算法
挑選最優的弱分類器構成強分類器;
(4)以強分類器集爲輸入，將其組合爲級聯分類器;
(5)以非人臉圖片集爲輸入，組合強分類器爲臨時的級聯分類器，篩選並補充
非人臉樣本。
訓練樣本的選擇：
訓練樣本要求是面部特寫圖像，圖1是一簇訓練樣本，大小被歸一化爲24×24像素，其中正訓練樣本要求是面部特寫圖像，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，大小被歸一化爲24×24像素，其中各樣本不完全相同，分別具有一定的代表性。
圖1部分訓練正樣本集和訓練負樣本集
訓練過程分爲3個步驟：首先需要提取Haar特徵；然後將Haar特徵轉化成對應的弱分類器；最後從大量的弱分類器中迭代選擇出最優弱分類器。
(1)提取Haar特徵
圖2 常用的四種Haar特徵
常用的Haar特徵有4種，如圖2所示。當然也可以在這4種特徵的基礎上設計出更多、更復雜的特徵。以大小爲24X24像素的訓練樣本爲例，上述4種特徵的總個數超過了160000個。這樣龐大的數字給後續的迭代訓練工作帶來了龐大的計算量，直接導致AdaBoost算法訓練過程極爲費時，這恰恰是算法需要改進的關鍵問題之一o
(2)生成弱分類器
每一個Haar特徵都對應着一個弱分類器，每一個弱分類器都是根據它所對應的Haar特徵的參數來定義的。利用上述Haar特徵的位置信息，對訓練樣本進行統計就可以得到對應的特徵參數。AdaBoost算法中所訓練的弱分類器是任何分類器，包括決策樹，神經網絡，隱馬爾科夫模型，如果弱分類器是線性神經網絡，那麼AdaBoost算法每次將構造多層感知器的一個節點。
(3)採用AdaBoost算法選取優化的弱分類器
AdaBoost算法訓練過程就是挑選最優弱分類器，並賦予權重過程，圖3是AdaBoost算法訓練示意圖。
圖3 AdaBoost算法訓練示意圖
