人工智人-家居设计-基于AdaBoost算法的智能考勤系统研究和实现.pdf

关于 Real AdaBoost 算法的分析与改进.pdf

pca adaboost算法实现人脸识别 含有GUI界面

手动实现AdaBoost,语言为Python，最后使用五折交叉验证确定弱分类器数目的最优解，并有弱分类器与强分类器的比较实现及结果展示，欢迎大家下载。

人脸检测步骤：打开摄像装置，读取opencv自图，带haar分类器，截取每一帧的照片，保存人脸进行预处理，代码简洁明了，适合借鉴学习。

Haar特征 哈尔特征使用检测窗口中指定位置的相邻矩形，计算每一个矩形的像素和并取其差值。然后用这些差值来对图像的子区域进行分类。 haar特征模板有以下几种： 以第一个haar特征模板为例 计算方式 1.特征 = 白色 – 黑色(用白色区域的像素之和减去黑色区域的象征之和) 2.特征 = 整个区域 * 权重 + 黑色 * 权重 使用haar模板处理图像 从图像的起点开始，利用haar模板从左往右遍历，从上往下遍历，并设置步长，同时考虑图像大小和模板大小的信息 假如我们现在有一个 1080 * 720 大小的图像，10*10 的haar模板,并且步长为2，那么我我们所需要的的计算量为: (

数字图像课程设计，其中包括论文和源程序，自己用MFC写了一个简单的界面，算法是基于Adaboost的

基于Adaboost和卷积神经网络的人脸检测方法对比分析，杨倩，谢东亮，本人脸检测一直是计算机视觉中研究最多的主题之一。基于Adaboost和基于卷积神经网络（Convolutonal Nenural Networks,CNN）的人脸检测一直是计�

源码，Adaboost

AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“ Decision_tree”可以放入第4个输入中。 adaboost返回一个4元组（stump，stump_weights，errors，D_weights） 您可以使用predict（stumps，stump_weights，X_test）对训练集进行预测。 这将返回该X_test的标签数组