2.2Adaboost算法
20世纪90年代，集成学习开始了机器学习的多模型方法研究，其中Adaboost算法是典型代表。AdaBoost算法即自适应性Boosting算法。基本思想是选取若干弱分类器，组合成强分类器。
对于一个标准的人脸样本，一般来说，正面人脸眼睛部分灰度值总是要比脸颊的上半部灰度值要大，两眼的灰度总是要比两眼中间的鼻梁上部的灰度值要大等。Haar-like特征可以用来描述这些人脸特征，如图3所示。AdaBoost算法以Haar-like矩形特征为输入训练人脸分类器，首先采集“人脸”和“非人脸”样本，样本归一化之后计算样本的积分图像，然后提取样本图像中的矩形特征。一个矩形特征就对应一个弱分类器。算法采用具有两个叶节点的二叉树分类器作为弱分类器的基本形式

其中hj(x)是弱分类器，fj(x)是矩形特征，θj是阈值，pj控制不等号的方向，取值为±1。将检测样本的特征值与阈值θj进行比较，hj(x)为1表示人脸，否则为“非人脸”。
Haar特征很多，因此会构造大量弱分类器，从中选取分类错误率最低的若干个弱分类器，同时将有效特征进行提升，构造强分类器。多个强分类器进行级联，构成级联强分类器，逐级祛除“非人脸”区域，这样提高了检测效率。
然而Adaboost算法依赖于Harr-like矩形特征，矩形特征会带来灰度分布类似于人脸的误检测，如图4所示。 Adaboost算法引入的误检测通常情况下颜色与肤色的差别较大，换言之，可以用肤色检测来去除Adaboost引入的误检测