這里說說我對這個算法的理解：
主要應用在人臉檢測。haar特征 + adaboosting，人臉檢測系統是一個級聯的分類器系統，這里主要是討論其中一個節點。
大體流程如果：
首先准備正負樣本，在一個訓練強分類器H時，使用booststraping策略來進行樣本的提取：從整體樣本集合中，抽樣n1 < n個樣本 針對抽樣的集合訓練分類器H1,,抽樣的方法有很多,例不放回抽樣等.當訓練第二強分類器時，從樣本整體集合D中，抽取 n2 < n 個樣本，其中合並進一半被 C1 分類錯誤的樣本。得到樣本集合 D2,訓練弱分類器H2,抽取D樣本集合中，H1 和 H2 分類不一致樣本，組成D3,訓練弱分類器H3
特征的選擇：20 * 20 的圖像
這里的尺度需要縮放，使得目標的大小具有更大適應性，根據給定的參數，特征的數量大概是67067（主要是為了能加速訓練的過程，所以增加了一些限制）。在訓練前對圖像進行直方圖均衡化（光照補償）。
具體的haar特征提取參考：http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html
系統使用haar特征的原因在於它的簡單，計算復雜度低，可以達到實時性的目的。
Adaboost(Adaptive Boosting)算法 是一個將幾個弱分類器結合起來，說白了就是幾個臭皮匠頂個諸葛亮，不過不同於boostraping，它不是緊緊將幾個弱分器的相加，而是需要樣本權值來使得每次弱分類器的連續，涉及到權值的選擇和更新，在抵抗噪聲干擾使用的是權值修正 (Weight trimming)。如果分類正確了，權重降低，如果分類錯了，則權重提高，初始的時候，權重都是一樣的。通過多次迭代，可以想象得到，程序越往后執行，訓練出的模型就越會在意那些容易分錯（權重高）的點。當全部的程序執行完后，會得到M個模型在整個訓練過程中其實就是一個貪婪算法，在每一次訓練弱分類器的時候，都需要對所有的特征進行一個迭代，選擇一個能是使得目標誤差函數最小的特征作為弱分類器的特征（相當每個特征對應一個弱分類器），所以adaboosting算法也被認為是一個特征選擇算法。算法之所以稱為自適應，因為在每次迭代過程中會根據分類的結果來調整權值，這里也就是adaboost與boosting算法的最大差異。
adaboost/boosting 的差異：http://www.cnblogs.com/fartherfuture/p/3678668.html
adaboosting算法的流程如下：
整個過程完成之后，就得到一個強分類器。 之后通過樣本選擇策略來更新樣本，再訓練得到一個強分類器。。。。。
通過多個分類器結合起來得到一個級聯分類器（強強聯合）。
在Opencv2.4.8里有具體的函數或者應用程序來選擇樣本和訓練級聯分類器。
CreateSample 使用的是Opencv_createSample.exe 應用程序，具體參見文檔：Opencv 之 HaarTraining算法剖析 作者周明才，講的很好
下面是我根據文檔的結果
Opencv_haartrainging d的參數中最值得注意的就是 -npos 和 -nneg ，參數-nstages 表示級聯分類器的級數nstages, -minhitrate 表示最小命中率，默認是0.95
-npos 代表的是正樣本的數目，是指在訓練一個強分類器從.vec文件中抽樣出來的數據樣本，-nneg表示訓練一個強分類器的負樣本數目。
假設.vec文件的數目是CountVec，那么有這樣一個不等式成立
CountVec >= (npos + (nstages - 1)*(1 -minhitrate) * npos ) + nneg
為什么需要滿足這個不等式呢？
主要原因在於每一個強分類器時樣本的選擇上，在 stage=0時，隨機的從.vec文件中選擇npos個正樣本，由於存在虛警，在每一次訓練一個強分類器之后，會把那些分類錯誤的從整個樣本庫中剔除掉，總的樣本就剩下 CountVec = CountVec - （1 - minhitrate）* npos，在第二個強分類器的訓練過程中就是從剩下的Countvec抽樣，一直這樣進行nstage次，所以就有CountVec >= (npos + (nstages - 1)*(1 -minhitrate) * npos ) + nneg 。
當在使用opencv_haartraining 訓練的時候，出現如下的報錯
Opencv Error:Assert failed (elements_read == 1) in icvGetHaarTraininDataFrom
那么基本可以認定Countvec的個數不足於一次強分類器的訓練也就是這個時候 Countvec < npos.