心理学上的研究表明，面部表情变化主要集中在眼睛、眉毛、鼻子、嘴巴等面部器官上。受其启发，提出一种基于面部结构的表情识别方法，重点分析眼睛、眉毛、鼻子、嘴巴等关键区域的联动变化来分析表情。首先，使用鲁棒的判别响应图拟合（discriminative response map fitting，DRMF）方法自动检测出对识别人脸表情最为关键的局部人脸区域，即眼睛、眉毛、鼻子和嘴巴的部分；然后从这些关键部分中提取Haar特征；最后采用Boosting学习和联动机制，学习得到基于联合Haar特征的表情分类器。在CMU表情数据库和JAFFE表情数据库上的实验结果表明了上述方法的良好性能，即基于面部构件识别表情的方法获得了与手工精准标注人脸面部构件识别表情方法相近的识别效果。

前面博客分享，我们已经讲解了不少分类算法，有knn、决策树、朴素贝叶斯、逻辑回归、svm。我们知道，当坐重要决定时，大家可能都会考虑吸取多个专家而不是一个人的意见。机器学习处理问题时同样如此。集成学习（ensemblelearning)通过构建并结合多个学习器来完成学习任务，有时被称为多分类器学习系统、基于委员会的学习等。下图显示出集成学习的一般结构：先产生一组“个体学习器”，再用某种策略将它们结合起来。我们前面已经分享了五种不同的分类算法，我们可以将其用不同的分类器组合起来，这种组合结果则被称为集成方法或者元算法。使用集成方法时会有多种形式：1.集成中只包含同种类型的个体学习器，这种个体学习

使用R的集成方法 ######我已经完成了关于集成方法的个人项目（论文）。 首先，我对不同的集成方法进行了背景研究，然后在基础机器学习算法上实现了Boosting，AdaBoost，Bagging和随机森林技术。 我使用了提升方法来提高弱小的学习者（如决策树桩）的性能。 为决策树（包括回归和分类问题）和KNN分类器实施装袋。 将随机森林用作分类树。 我已经在使用不同阈值的逻辑回归算法上实现了一种特殊的增强算法，称为“ AdaBoost”。 然后绘制不同的图形，例如错误率与增强，装袋和随机森林迭代的关系。 比较装袋与提振的结果。 在应用集成方法之前和应用集成方法之后，分析了分类器的性能。 使用了诸如交叉验证，MSE，PRSS，ROC曲线，混淆矩阵和袋外误差估计之类的不同模型评估技术来评估集成技术的性能。

boosting withOpenCV

Boosting 框架可参考，但是tracking是有点过时了，不过这个是很多Tracking 的基础

职业建设是每个工程专业学生中最珍惜的部分。 对于工程专业的毕业生，有必要在其领域内拥有丰富的知识才能被安置在知名公司中。 数据挖掘用于获取知识，查找隐藏信息，并且该系统还将数据挖掘技术应用于学术数据集。 学术数据包括内部（CCET 1，CCET2和CCET3）分数和作业分数。 根据每个学生的分析结果来预测最后一个学期的成绩。 为了提高准确性，该系统引入了重加权增强的增强算法。

Gradient Boosting Decision Tree

对流行的boosting算法的通俗易懂的介绍

boosting学习算法的课件，适合入门者.

提出融合遮挡感知的在线Boosting跟踪算法，该算法对跟踪结果实时进行遮挡检测，根据检测结果自适应调整分类器更新策略。该方式能够有效维护分类器特征池的纯净，提高算法在遮挡环境下的顽健性。实验结果表明，与传统的在线Boosting跟踪算法相比，改进的算法能有效解决目标遮挡问题。