adaboost算法原理 adaboost算法原理 adaboost算法原理

使用python实现adaboost算法实现过程，对于理解adaboost算法有很好的帮助

研究的是基于Android平台人脸识别算法的应用，针对人脸识别方法进行研究，以提高识别的准确率和速度为目的，选用Haar特征提取的方法作为人脸检测的主要方法，选用Adaboost算法作为人脸识别的主要算法。在研究过程中出现的难点有人脸的检测受到外界影响，人脸的检测误差率较大，采用增加分类器将多个弱分类器级联为强分类器以优化算法，本设计已经测试在Android手机上测试成功，同一人不同脸的近似度在90%左右。

针对传统的Adaboost 训练算法在训练过程中可能出现训练退化和训练目标类权重分布 过适应的问题，提出一种改进的Adaboost 训练算法． 改进算法通过调整加权误差分布限制目 标类权重的扩张，并且最终分类器输出形式以概率值输出代替传统的离散值输出，提高了训 练结果的检测率． 实验结果表明，改进的Adaboost 算法在Inria 数据集上取得了较好效果．

为解决当被检测图像中具有复杂背景或者含有多人脸时，不能够快速准确的进行人脸检测的问题，本文提出一种基于肤色分割和改进AdaBoost算法的人脸检测方法。首先利用肤色分割方法对样本图像实现图像的预处理，排除样本图像的复杂背景和人体非肤色区域，简化后续的人脸检测工作。然后对AdaBoost算法的弱分类器使用双阈值判决方法，以减少弱分类器个数，提升训练速度；改进权值更新规则，防止训练过程中出现过分配现象。最后对基于肤色分割得到的区域图像利用改进后的Adaboost算法进行最后的精确人脸检测。仿真试验表明，两种算法结合后在训练速度上提升，在检测速度和检测率上有明显提高。

一个基本的adaboost算法代码，适用于其它人脸人眼检测的基础，非常好用。

主要介绍了adaboost算法的原理，该算法的具体实现，通过一个具体简单的实例让我们更清楚地了解adaboost算法。

AdaBoost，是英文"AdaptiveBoosting"（自适应增强）的缩写，由YoavFreund和RobertSchapire在1995年提出。它的自适应在于：前一个基本分 类器分错的样本会得到加强，加权后的全体样本再次被用来训练下一个基本分类器。同时，在每一轮中加入一个新的弱分类器，直到达到某个预定的足够小 的错误率或达到预先指定的最大迭代次数。

Adaboost 算法的原理与推导(JUly)-附件资源

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