这是本人在本科时期的毕业设计，基于opencv的平台自己实现的一篇人脸检测程序。这里面包含了本文主要依据的那篇经典论文，部分人脸库和源程序，当然，检测率虽然不高，但主要思想还是体现出来了。

针对智能车辆和安全驾驶辅助系统中车辆检测问题,提出一种基于类 Haar 特征和 AdaBoost 分类器并结合车辆灰度对 称性验证的前车检测方法。 使用积分图方法计算图像类 Haar 特征,并对提取的海量类 Haar 特征应用 AdaBoost 算法进行特征 选择及分类器训练,最后使用所选择的特征及分类器进行测试。 实验结果表明,该方法在阴天和晴天情况下检测率分别为 90. 86% 、91. 15% ,可以快速、有效地进行前车检测

这是集成学习Adaboost的matlab代码 包括：回归预测、分类 以BP为基学习器进行分类和回归学习

（给Python开发者加星标，提升Python技能） 编译：机器之心，作者：Maël Fabien 本教程将介绍如何使用 OpenCV 和 Dlib 在 Python 中创建和运行人脸检测算法。同时还将添加一些功能，以同时检测多个面部的眼睛和嘴巴。本文介绍了人脸检测的最基本实现，包括级联分类器、HOG 窗口和深度学习 CNN。 我们将通过以下方法实现人脸检测： 使用 OpenCV 的 Haar 级联分类器 使用 Dlib 的方向梯度直方图 使用 Dlib 的卷积神经网络 本文代码的 Github 库（以及作者其他博客的代码）链接： https://github.com/maelfabien

adaboost算法多分类

行人检测在视觉监控，驾驶员辅助系统中具有广泛的应用。 它在计算机视觉和模式识别中也非常重要。 在我们的研究中，我们提出了行人检测的多尺度方案。 行人检测方案包括构建强分类器和多尺度检测的两个步骤。 强分类器是弱分类器的集合，是通过使用基于类似Harr特征的AdaBoost学习算法构建的。 然后，采用强分类器对多尺度图像中的行人进行检测，并对检测结果进行合并。 在我们的实验中，提出的多尺度检测方案在灵敏度达到89.3％的情况下每张图像报告了0.35个假阳性。 这表明行人检测的多尺度方案实现了高性能。

Adaboost算法简介

1.去掉了所有动态分配内存的操作，对嵌入式系统有一定的速度提升 2.注释覆盖了大量关键代码 3.减少了代码一半的体积，并且减少了部分健壮性的代码，速度比OpenCV源码提升16% 4.修改了大量数据结构，不依赖CV源码直接编译 5.去掉了double型，改成Int 6.开方改成查表 7.除法改成乘法加位移 8.速度是EMCV的6倍

本文通过在几个基准数据集上进行实验，研究了旋转森林集成方法在提高基本预测变量解决回归问题的泛化能力方面的性能，并与Bagging，Random Forest，Adaboost.R2和a单一回归树。 还研究了轮作林对其所含参数选择的敏感性。 在考虑的回归数据集上，可以看到Adaboost.R2通常胜过Rotation Forest，并且两者都优于Random Forest和一棵树。 关于袋装和轮换林，似乎他们之间没有明显的赢家。 此外，修剪树似乎对所有考虑的方法的性能都有一些不良影响。

MATLAB源码集锦-基于BP_Adaboost算法的公司财务预警建模代码