配合博客统计学习笔记:提升方法(boosting)观看 https://blog.csdn.net/lagoon_lala/article/details/121336792

LBP特征ADABOOST分类器，

Adaboost是基于决策树的一种集成学习算法，该文中有详细的案例计算、理论讲解，希望能帮到大家

Adaboost 算法的原理与推导(JUly)-附件资源

用于成本敏感分类的Adaboost扩展CSExtension 1 CSExtension 2 CSExtension 3 CSExtension 4 CSExtension 5 AdaCost Boost CostBoost Uboost CostUBoost AdaBoostM1实施集群中所有列出的“成本敏感分类”算法。 它们是需要基础算法（例如决策树）的元算法，此外，还需要投票标准，例如最低期望成本标准。输入还需要加载arff文件和成本矩阵（上载arff和成本文件样本供用户参考）扩展程序使用weka进行分类，并生成分类模型以及混淆矩阵。 对于给定的数据集和成本矩阵

一个基于adaboost算法的目标识别程序，内容很详细，包括弱分类器的训练和测试，matlab代码

弱分类器及其选取 一个弱分类器h(x, f , p,q)由一个特征f，阈值q和指示不等号方向的p 组成： 训练一个弱分类器（特征f）就是在当前权重分布的情况下，确定f 的最优阈值，使得这个弱分类器（特征f）对所有训练样本的分类误差最低。

adaboost , 人脸检测算法，matlab 程序。

通过Adaboost算法和Haar特征来构建人脸分类器，对多人脸图片进行检测，流程是用分类效果较弱的Haar特征构造弱分类器，再通过Adaboost算法对大量人脸样本和非人脸样本进行训练，将大量弱分类器中训练得到若干强分类器，将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度，最终得到一个人脸分类器的模型。再输入一张多人脸图片，用分类器对不同尺寸的多人脸图片进行多尺度检测，相当于一种滑动窗口机制，在图片上提取Haar特征，由于在一个图像窗口中会提取出大量的矩形特征区域，每次遍历矩形区域会造成大量重复计算，浪费时间，所以使用积分图方法来简化计算，经过多尺度检测后，会在同一尺度下留下多个候选框，还要对多个候选框进行合并去重。

详细介绍了SVM和Adaboost算法，包括原理，公式，等。