当面前的读者看到这篇论文时，应该对这个算法至少了解了一点，至于算法的讲解，网上一搜一大把，我就是写了，也不一定比那些高手厉害。本文主要是一些我在编程（matlab，基于opencv的C）实现时遇到的问题，特在此分享一下。
1 内存；接触这个算法的人一开始编程是不是都嫌自己的电脑内存太小了啊？
解决方法：分特征训练（提倡），或者加大内存（这个需要money）
Matlab 会出现“out of memory”这个错误，刚开始我一直苦恼，不知道怎么解决这个问题，后来问了度娘，找到个解决途径，就是装64位操作系统，然后加大虚拟内存，实践证明，这个不是个好方法，或者说治标不治本。没办法，自己掏腰包买了16G的内存条，然后使用了几万特征，两万样本训练的。另外的方法就是分特征训练了，比如需要训练20万的特征，2万样本，训练时可以先训练前1000个，在这1000中选一个最优的，然后训练下一个1000个特征，然后比较这两次的训练结果，选取一个最优的，依次类推。。。。当然这个地方有个小问题就是需要多次计算特征，浪费了不少时间，没办法，只能用时间换空间。
Opencv就是采用后一种的方法。
2 训练截止
若你是一个只会用opencv工具的一个人，而且不知道opencv是如何实现adaboost的话，这一条会对你有很大的帮助。一般的adaboost训练文档都会说如何构造正负样本，然后读者就会照葫芦画瓢，结果训练的时候训练到10级以后就会暂停。。。咦，这是怎么回事呢。看过源码的话，就会恍然大悟。这里的正负样本，正样本是相同大小的目标图片（若不是灰度图，程序中会自动的将其转成灰度图），而负样本就是不含有目标的图片，其尺寸是没有要求的（但是尺寸都不得小于正样本的尺寸）。然后我说一下正负样本的个数，首先这个正负样本的比例没有谁严格证明，我是采用1：1的。这里就需要说明正负样本的数目是什么意思了。比如说正负样本都为10000，那么正样本是10000幅图片是没有争议的，那么负样本是多少呢？是不是负样本也必须是10000幅图片呢，其实这里的10000是指程序中参与训练的负样本数目，而程序中的负样本是在负样本上自动采样的，然后用上面的训练的分类器进行判断，呗判断错误的话就会加入到负样本集中，一直采样到负样本集中有10000个为止，这里就会出现训练暂停的问题，随着训练的进行，采集到的负样本被分类器判断错误的数量越来越少，那么就要对图片进行重复的采样，比如有100幅负样本，现在需要采集10000幅和正样本一模一样大的图片，就需要在那些100幅上采样，当采样一遍（从第一副采样到100幅）后，发现负样本集里的负样本还不到10000，那么就要多负样本进行多次采样。当训练到一定程度时，这个遍历的次数越来越多，就需要相当长的时间，他的极端就是在每一轮添加到负样本集里的数量都很少时，那么采样的轮数就会很大，更极端的就是每一轮都没有负样本添加成功，这个就导致了一个死循环。就会出现上面的训练暂停的情况。
解决方法：
1 准备更多的负样本，比如1000000幅
2 负样本的要大图比较好，比如你的10000*1000采集的图片要比30*30多很多
3 在训练暂停后，若是达不到训练的级数，可以将负样本换掉，换一批样本，继续原来的训练
提倡的解决方法就是结合1，2；不提倡3