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)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。

支持向量机(SVM包括SVC和SVR）。SVM的主要思想可以概括为两点：（1）它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；（2）它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界。论文网

3基于HOG和SVM的车辆检测

随着车辆检测技术发展至今，已经取得了一定的成果。但是由于道路上总会有一些突发情况的出现，会造成干扰，车辆在行驶过程中往往会因为偏离了摄像头的镜头从而出现形状不一致的情况，而且道路环境状况愈发的不好，这些因素促使着车辆检测技术朝着克服这些困难的方向发展。

3。1物体检测流程

在如今的物体识别方法中检测物体的流程一般如图所示:包括学习阶段与检测阶段。在学习阶段，对这些收集到的样本进行整理，获取其特征信息，之后输入到分类器中进行学习，以生成目标分类器。进入到检测阶段后，使用上一阶段所生成的分类器，通过扫描窗口来对比输入图像来标识出符合分类器判定为正的小区域。

图3-1车辆检测过程

从上图可看出，学习阶段包括三个步骤:一是整理样本数据，样本一般分为正、负样本，正样本是指属于某一类别的样本，负样本则比较随意，只要与待检测物体无关就行，即不属于某一类别的样本;二是提取样本的特征，即把这些图像窗口的特征信息映射到一个特征向量空间中，用向量的模型表示出来;三是把第二步得到的特征向量输送到特定的分类器中，从而得到一个分类器。文献综述

检测阶段的三个步骤是:首先是计算测试图像的特征向量;然后把该图像的局部区域的特征向量输入到训练好的分类器上，对检测窗口进行分类，并用矩形框标识判定为正的窗口，最后还需要把一些重叠在一起的标识框合并成一个大的标识框。

由此可以看出，基于HOG特征和SVM分类器的车辆检测总体流程是，首先对正、负样本分别进行HOG特征提取，然后将提取到的HOG特征使用SVM线性分类器进行训练，得到目标分类器，接下来是输入图像进行检测，最后还需要合并所有可能的判定为正的窗口。