化，许多学者在研究它，并做了大量的改进。Adaboost是一个学习的算法，即AdaptiveBoosti
g。给定一系列正负样本，训练成一个弱分类器。此训练过程中，每个样本拥有一个初始权重，表示该样本被某个分类器选中的概率。如果某个样本被正确分类了，则构造下一个训练集时，降低其权重，否则加重其权重，通过此算法，每一轮都会增强那些分类错误的困难样本，每一轮选出一个最优的弱分类器，这些弱分类器以一定权重组合起来成强分类器。
Adaboost算法是在一些人脸和非人脸的样本中训练出弱分类器，然后把弱分类器级联成强分类器。它是一种自适应增强算法，理论上错误率能够达到无限低。分类器就是对特定的事物进行分类，Adaboost就是一个分类器，它是由简单的弱分类器训练得来的。在Adaboost算法中进行人脸检测主要利用的是人脸图像的灰度分布不一样这一特性，主要对灰度图像进行检测，采用积分图计算的Haar特征，Haar特征计算简单，检测速度快。Adaboost算法检测过程首先计算图像的Haar特征并且在算法训练过程中提出错误率最小的Haar特征，转换为弱分类器，再把弱分类器组合成强分类器进行人脸检测。
f其流程图如图所示：
（对Adaboost检测算法中的Haar特征及其计算、弱分类器、Adaboost算法训练过程、级联强分类器、Adaboost人脸检测过程及仿真实现进行进一步说明）
（2）锁具控制技术：5、发明的具体实施方式或方法：①详细描述本发明的全部技术内容，以及实现的最好方式。即清楚完整地写出本发明的技术内容、原理、工艺方法、生产流程、原料组成或配方，生产条件等（生产条件可给出一个概括的能够实现的范围）。若是药物申请，要写出该药的用途、药理功效、有效量及使用方法。②举出两个实现该发明的实际生产例子或优选方案，即具体生产每批产品的原料数量，生产操作过程及各种参数条件。③有附图的，要对附图中的结构或流程、方法进行解释，说明图中各组成构件的
f名称、作用、和联接关系，或流程图中各框中的要点和作用，以及与上下框图中的关系。
6、本发明的优点或积极效果（专门写一段）。
7、要求保护的技术关键：技术关键即要求专利保护的核心内容，是判断是否侵权的法律依据。写出发明中的关键技术特征，如配方、工艺条件或关键结构。功能性语言和作用、目的、效果不保护，可分主、次要点，用词需简明。
8、附图的绘制要求：附图可用结构示意图、立体图或工艺流程图等表示。一式两份（一份净图没有任何文字、数字等标署；一份有部件名称及说明），不需r