基于BP_Adaboost的强分类器设计-公司财务预警建模源程序-基于BP_Adaboost的强分类器设计-公司财务预警建模源程序-基于BP_Adaboost的强分类器设计-公司财务预警建模源程序

R语言：Adaboost算法的实现——adabag-附件资源

基于Haar+Adaboost实现的人脸识别功能分类器 .

为了结合面部其他融合特征研究疲劳状态模式识别，主要研究了人的嘴部特征的定位及状态分析。对基于YCbCr肤色结合AdaBoost联级算法采集帧图像定位人脸，在人脸定位的基础上，基于三庭五眼的先验知识对嘴部特征进行粗定位，采用迭代法自适应阈值分割法进行嘴部特征状态分析，利用最小外接法优化了嘴部状态参数。结果表明，提出的嘴部特征定位方法具有可行性、实时性。

全套HOG+adaboost行人检测代码，包括adaboost分类器训练以及检测代码，能显示最终分类结果，其中pos和neg文件夹分别为正样本和负样本

本文使用了ORL人脸数据库，训练样本为40人，每人5张图片，共计200张图片，图片大小为92*122。测试样本为40人，每人5张图片共计200张图片，图片大小为92*122。ORL数据库可以从http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html得到。如果只是以随机选择的方式来识别某个人的身份的话，从概率角度来说识别率仅为2.5%，我们的任务是如何使识别率突破50%或者更高，这是个艰巨的任务。从训练角度来看，我们需要处理40*5*92*112=2060800个像素点，这是个维度灾难。针对以上问题，本文提出了PCA+SVM+一对一投票策略与PCA+Adaboost+一对一投票策略来解决上述问题，达到了良好的效果，使测试样本的识别率分别达到了84%与52.5%。

提取Haar特征 生成弱分类器 采用AdaBoost算法选取优化的弱分类器

BP-adaboost 预测模型，利用re-sampling 重采样方法 对样本权值因子进行调整。解决目前大多数BP-adaboost预测方法程序中没有体现模型迭代过程中对样本数据进行权值调整的核心问题。

基于haar+adaboost的行人检测代码，代码运行效率高，行人检测率高。

opencv中haar+Adaboost已经训练好的分类器。有双目、身体等等，出自专家之手，必属精品，CV 1.0版本的有需要就下吧。