这里说说我对这个算法的理解：
主要应用在人脸检测。haar特征 + adaboosting，人脸检测系统是一个级联的分类器系统，这里主要是讨论其中一个节点。
大体流程如果：
首先准备正负样本，在一个训练强分类器H时，使用booststraping策略来进行样本的提取：从整体样本集合中，抽样n1 < n个样本 针对抽样的集合训练分类器H1,,抽样的方法有很多,例不放回抽样等.当训练第二强分类器时，从样本整体集合D中，抽取 n2 < n 个样本，其中合并进一半被 C1 分类错误的样本。得到样本集合 D2,训练弱分类器H2,抽取D样本集合中，H1 和 H2 分类不一致样本，组成D3,训练弱分类器H3
特征的选择：20 * 20 的图像
这里的尺度需要缩放，使得目标的大小具有更大适应性，根据给定的参数，特征的数量大概是67067（主要是为了能加速训练的过程，所以增加了一些限制）。在训练前对图像进行直方图均衡化（光照补偿）。
具体的haar特征提取参考：http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html
系统使用haar特征的原因在于它的简单，计算复杂度低，可以达到实时性的目的。
Adaboost(Adaptive Boosting)算法 是一个将几个弱分类器结合起来，说白了就是几个臭皮匠顶个诸葛亮，不过不同于boostraping，它不是紧紧将几个弱分器的相加，而是需要样本权值来使得每次弱分类器的连续，涉及到权值的选择和更新，在抵抗噪声干扰使用的是权值修正 (Weight trimming)。如果分类正确了，权重降低，如果分类错了，则权重提高，初始的时候，权重都是一样的。通过多次迭代，可以想象得到，程序越往后执行，训练出的模型就越会在意那些容易分错（权重高）的点。当全部的程序执行完后，会得到M个模型在整个训练过程中其实就是一个贪婪算法，在每一次训练弱分类器的时候，都需要对所有的特征进行一个迭代，选择一个能是使得目标误差函数最小的特征作为弱分类器的特征（相当每个特征对应一个弱分类器），所以adaboosting算法也被认为是一个特征选择算法。算法之所以称为自适应，因为在每次迭代过程中会根据分类的结果来调整权值，这里也就是adaboost与boosting算法的最大差异。
adaboost/boosting 的差异：http://www.cnblogs.com/fartherfuture/p/3678668.html
adaboosting算法的流程如下：
整个过程完成之后，就得到一个强分类器。 之后通过样本选择策略来更新样本，再训练得到一个强分类器。。。。。
通过多个分类器结合起来得到一个级联分类器（强强联合）。
在Opencv2.4.8里有具体的函数或者应用程序来选择样本和训练级联分类器。
CreateSample 使用的是Opencv_createSample.exe 应用程序，具体参见文档：Opencv 之 HaarTraining算法剖析 作者周明才，讲的很好
下面是我根据文档的结果
Opencv_haartrainging d的参数中最值得注意的就是 -npos 和 -nneg ，参数-nstages 表示级联分类器的级数nstages, -minhitrate 表示最小命中率，默认是0.95
-npos 代表的是正样本的数目，是指在训练一个强分类器从.vec文件中抽样出来的数据样本，-nneg表示训练一个强分类器的负样本数目。
假设.vec文件的数目是CountVec，那么有这样一个不等式成立
CountVec >= (npos + (nstages - 1)*(1 -minhitrate) * npos ) + nneg
为什么需要满足这个不等式呢？
主要原因在于每一个强分类器时样本的选择上，在 stage=0时，随机的从.vec文件中选择npos个正样本，由于存在虚警，在每一次训练一个强分类器之后，会把那些分类错误的从整个样本库中剔除掉，总的样本就剩下 CountVec = CountVec - （1 - minhitrate）* npos，在第二个强分类器的训练过程中就是从剩下的Countvec抽样，一直这样进行nstage次，所以就有CountVec >= (npos + (nstages - 1)*(1 -minhitrate) * npos ) + nneg 。
当在使用opencv_haartraining 训练的时候，出现如下的报错
Opencv Error:Assert failed (elements_read == 1) in icvGetHaarTraininDataFrom
那么基本可以认定Countvec的个数不足于一次强分类器的训练也就是这个时候 Countvec < npos.
