针对Haar特征的连续Adaboost算法在人脸检测中的应用,本文分析了Haar特征选取的方法以及级联分类器的准则,证明了连续Adaboost算法中的阈值与训练误差之间的关系。针对连续Adaboost算法中存在的不足：连续Adaboost算法中的平滑因子为固定的值,使得对所有Haar特征的平滑作用都相同,这使得连续Adaboost算法容易出现过学习现象,本文提出了Dynamic Smooth Adaboost算法,简称为DS-Adaboost算法。本文首先介绍了Haar特征选取的方法,并计算了不同尺度模板下对人脸检测有效的Haar特征的数目。其次给出了与连续Adaboost算法相关的结论,并给出了严格的证明。定理1给出了连续Adaboost算法中的阈值与最终强分类器的训练误差所满足的关系。定理2给出了权重更新策略。定理3证明了连续Adaboost算法中的平滑因子与归一化因子之间的关系。最后分析了Schapire等提出的连续Adaboost算法,该算法中的平滑因子ε是固定的值,一般令平滑因子ε=1/m,其中m为训练样本数,这样算法对不同的特征都有相同的平滑作用,容易出现过学习现象,针对上述的不足本文提出了一种DS-Adaboost算法,该算法的特点是平滑因子为动态的,不同的特征平滑因子相应的取不同的值。实验表明,DS-Adaboost算法在很大程度上抑制了过学习现象并且使得检测率得到了一定程度的提高。