adaboost算法

《adaboost算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、实用标准文案目前因为做人脸识别的一个小项目，用到了AdaBoost的人脸识别算法，因为在网上找到的所有的AdaBoost的简介都不是很清楚，让我看看头脑发昏，所以在这里打算花费比较长的时间做一个关于AdaBoost算法的详细总结。希望能对以后用AdaBoost的同学有所帮助。而且给出了关于AdaBoost实现的一些代码。因为会导致篇幅太长，所以这里把文章分开了，还请见谅。第二部分的地址请见：http://blog.csdn.net/weixingstudio/article/details/7631949辛苦打字截图不容易，转载请标明出处。提到

2、AdaBoost的人脸识别，不得不提的几篇大牛的文章可以看看，但是大牛的文章一般都是只有主要的算法框架，没有详细的说明。大牛论文推荐：1.RobustReal-timeObjectDetection,PaulViola,MichaelJones2.RapidObjectDetectionusingaBoostedCascadeofSimpleFeatures,作者同上。还有一篇北大的本科生的毕业论文也不错：基于AdaBoost算法的人脸检测，赵楠。另外，关于我写的AdaBoost的人脸识别程序的下载地址：1.C++版本：http://downl

3、oad.csdn.net/detail/weixingstudio/4350983说明：需要自己配置opencv2.3.1,自己配置分类器。在程序运行前会捕捉10帧用户图像，计算人脸平均面积，这个过程不会有显示，但是程序没有出问题，稍等一会就会出现摄像头信息。 2.C#版本：http://download.csdn.net/detail/weixingstudio/4351007说明：使用了emgucv2.3.0的库，需要自己重新添加引用动态链接库文件。两个版本的程序都能正确运行，没有任何问题。精彩文档实用标准文案1.Adaboost方法的引入

4、1.1Boosting方法的提出和发展       在了解Adaboost方法之前，先了解一下Boosting方法。       回答一个是与否的问题，随机猜测可以获得50%的正确率。如果一种方法能获得比随机猜测稍微高一点的正确率，则就可以称该得到这个方法的过程为弱学习；如果一个方法可以显著提高猜测的正确率，则称获取该方法的过程为强学习。1994年，Kearns和Valiant证明，在Valiant的PAC（ProbablyApproximatelyCorrect）模型中，只要数据足够多，就可以将弱学习算法通过集成的方式提高到任意精度。实际上，

5、1990年，SChapire就首先构造出一种多项式级的算法，将弱学习算法提升为强学习算法，就是最初的Boosting算法。Boosting意思为提升、加强，现在一般指将弱学习提升为强学习的一类算法。1993年，Drucker和Schapire首次以神经网络作为弱学习器，利用Boosting算法解决实际问题。前面指出，将弱学习算法通过集成的方式提高到任意精度，是Kearns和Valiant在1994年才证明的，虽然Boosting方法在1990年已经提出，但它的真正成熟，也是在1994年之后才开始的。1995年，Freund提出了一种效率更高的B

6、oosting算法。1.2AdaBoost算法的提出       1995年，Freund和Schapire提出了Adaboost算法，是对Boosting算法的一大提升。Adaboost是Boosting家族的代表算法之一，全称为AdaptiveBoosting。Adaptively，即适应地，该方法根据弱学习的结果反馈适应地调整假设的错误率，所以Adaboost不需要预先知道假设的错误率下限。也正因为如此，它不需要任何关于弱学习器性能的先验知识，而且和Boosting算法具有同样的效率，所以在提出之后得到了广泛的应用。首先，Adaboost

7、是一种基于级联分类模型的分类器。级联分类模型可以用下图表示：精彩文档实用标准文案级联分类器介绍：级联分类器就是将多个强分类器连接在一起进行操作。每一个强分类器都由若干个弱分类器加权组成，例如，有些强分类器可能包含10个弱分类器，有些则包含20个弱分类器，一般情况下一个级联用的强分类器包含20个左右的弱分类器，然后在将10个强分类器级联起来，就构成了一个级联强分类器，这个级联强分类器中总共包括200若分类器。因为每一个强分类器对负样本的判别准确度非常高，所以一旦发现检测到的目标位负样本，就不在继续调用下面的强分类器，减少了很多的检测时间。因为一幅

8、图像中待检测的区域很多都是负样本，这样由级联分类器在分类器的初期就抛弃了很多负样本的复杂检测，所以级联分类器的速度是非常快的；只有正样本才会送到下一个