一种改进的增强型 AdaBoost 算法1.doc

遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

介绍通过视频实时采集图像和行为识别来实现舌控鼠标系统。首先利用Adaboost和Lucas-Kanade算法实现实时人脸的识别与跟踪，然后提出了脸部器官定位的算法。通过舌头的行为识别来控制鼠标系统。实验表明该系统能较好完成鼠标操作基本功能，具备实时性和稳定性。

本文件包含adaboost代码，并用两个示例进行演示，一个是自设数据，一个是马疝病数据集。并附带数据集。画ROC和AUC曲线以供分析

机器学习与算法源代码9： AdaBoost与GBDT模型.zip

现实中基于图像处理的疲劳驾驶监测往往因环境的变化而具有不确定性。监测算法不规范,以致于疲劳驾驶监测任务很具有挑战性。为了解决此问题,提出了一种基于多算法融合的动态滑动窗口算法框架。首先利用Adaboost算法识别人眼,然后改进Otsu算法来自适应各种不同环境;进而提出动态滑动窗口算法来得到睁闭眼之间的最佳阈值;最终,利用改进的PERCLOS算法估计疲劳驾驶状态的不同级别。针对环境的变化采用睁闭眼判断窗口随人眼特征变化而更新的策略,系统使用摄像头实时捕获人眼图像,并在PC机上进行仿真测试,可在130~150ms之间实现不同疲劳状态的识别。实验结果表明,此算法框架能够有效、快速的分辨驾驶员不同的疲劳状态。

强大的基于 AdaBoost 的 OCSVM 集成

基于 Adaboost 的人脸检测系统的设计与实现(opencv+Python)-附件资源

针对因图像背景复杂、光照变化及面部旋转等因素的影响,使复杂背景下人脸检测难度大、速度慢和准确率低的问题,使用Adaboost算法进行人脸检测,并在OpenCV上实现其检测过程。分别对具有面部旋转和复杂背景的图像进行了人脸检测实验,其检测准确率分别为85%和99%,平均检测时间分别是16.67ms/张和76ms/张。实验结果表明,该算法能在复杂背景下准确、快速地实现人脸检测,且能满足人脸识别系统实时性的要求。

这篇论文讲述了基于haar特征的adaboost算法，具体介绍实现人脸检测的过程