AdaBoost算法在人脸识别中的应用.rar

模式识别和机器学习实战- 集成学习- Python实现 - AdaBoost算法 适用于刚刚开始学习机器学习的小伙伴进行的上机实践，本次压缩包的内容是集成学习的AdaBoost算法的代码以及数据集。

计算机视觉-Adaboost算法MATLAB源码 Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。 Boosting，也称为增强学习或提升法，是一种重要的集成学习技术，能够将预测精度仅比随机猜度略高的弱学习器增强为预测精度高的强学习器，这在直接构造强学习器非常困难的情况下，为学习算法的设计提供了一种有效的新思路和新方法。作为一种元算法框架，Boosting几乎可以应用于所有目前流行的机器学习算法以进一步加强原算法的预测精度，应用十分广泛，产生了极大的影响。 而AdaBoost正是其中最成功的代表，被评为数据挖掘十大算法之一。在AdaBoost提出至今的十几年间，机器学习领域的诸多知名学者不断投入到算法相关理论的研究中去，扎实的理论为AdaBoost算法的成功应用打下了坚实的基础。AdaBoost的成功不仅仅在于它是一种有效的学习算法，还在于 1)它让Boosting从最初的猜想变成一种真正具有实用价值的算法； 2)算法采用的一些技巧，如:打破原有样本分布，也为其他统计学

毕业设计论文范文源码 Face-Detection 本科毕业设计 基于Haar特征与AdaBoost算法的人脸检测的实现 ======================================== 本项目源代码遵循GPL授权许可，你可以修改并免费使用，但请保留本项目作者信息，谢谢。 论文引用格式（文章为本科毕业论文）： 贾震. 基于Haar特征与AdaBoost算法的人脸检测研究与实现[D]. 曲阜师范大学, 2016. ------博客地址------ Coding Home - 漂流瓶jz CSDN博客 新浪博客 ======================================== main.m 为主函数 里面包含训练和检测的主要操作说明和用法。 ======================================== 实验过程： 实验结果; ======================================== 训练样本： MIT人脸数据库 样本尺寸：20*20px 样本个数：5971个样本，其中人脸样本为2429个 faces文件夹 包含人脸

代码中包含训练，测试，数据，demo演示等程序，非常值得初学者学习。

一种基于指数损失函数的多类分类AdaBoost算法及其应用.pdf

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。

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。