一種基于AdaBoost分類器的行人檢測模型訓練方法
【專利摘要】本發(fā)明公開了一種基于AdaBoost訓練器的行人檢測模型訓練方法，首先在AdaBoost訓練過程中實時統(tǒng)計樣本權重值的和，當其退化到一定程度時，則用當前已經訓練好的弱分類器組去掃描非行人圖像中的誤檢窗口，并作為困難樣本添加到負樣本訓練集中，然后減小退化程度閾值，以降低樣本更新頻率，最后通過隨機抽樣剔除部分負樣本，減少負樣本訓練集數(shù)量，以減少訓練過程計算量。該方法能在不改變特征提取方法的前提下，最大限度的提升分類器的訓練效果，提升最終檢測精度。
【專利說明】—種基于AdaBoost分類器的行人檢測模型訓練方法
【技術領域】:
[0001]本發(fā)明主要涉及到基于靜態(tài)圖像的行人檢測領域，特指一種基于AdaBoost分類器的行人檢測模型訓練方法。
【背景技術】:
[0002]交通事故是和平時期造成人員傷亡和財產損失的重要原因，其中，有行人參與的交通事故約占交通事故總量的14%，行人在道路交通中的安全問題倍受全社會廣泛關注，研究人員開始致力于車輛輔助駕駛技術來降低行人在道路交通中的事故率，行人檢測技術在其中顯得尤為重要。由于行人兼具剛性和柔性物體的特性，外觀易受穿著、尺度、遮擋、姿態(tài)和視角等影響[4]，使得行人檢測成為計算機視覺的研究難點與熱點。
[0003]近些年來，機器學習的方法被引入到行人檢測的研究中來，檢測準確率得到了提升，目前行人檢測的研究主要集中于特征提取和分類器的選擇。Pepageorgios等人第一次提出了滑窗的方法用于檢測，他們采用了 SVM和多尺度Haar小波過完備基結合的方式進行檢測，Viola和Jones等人基于這種思路，引入了積分圖思想和AdaBoost快速分類器(VJ)。上述兩種思路構成了如今行人檢測算子的基石。而后Dalal等人基于行人整體輪廓特征，提出方向梯度直方圖特征(HOG)，HOG特征結合SVM分類器，檢測準確率取得了革命性的進步。Dollar等人融合Viola和Dalal的思想,提出積分通道特征(ChnFtr),結合AdaBoost分類器，提升了檢測速度和檢測準確度。
[0004]AdaBoost,是英文“Adaptive Boosting”(自適應增強)的縮寫，是一種機器學習方法，由Yoav Freund和Robert Schapire提出[1]。AdaBoost方法是一種迭代算法，在每一輪中加入一個新的弱分類器，直到達到某個預定的足夠小的錯誤率或者達到預定的弱分類器數(shù)。AdaBoost方法的自適應在于:前一個分類器分錯的樣本會被用來訓練下一個分類器。AdaBoost方法對于噪聲數(shù)據和異常數(shù)據很敏感。但在一些問題中，相比于大多數(shù)學習算法，AdaBoost方法相對于大多數(shù)其它學習算法而言，不會很容易出現(xiàn)過擬合現(xiàn)象。AdaBoost方法中使用的分類器可能很弱(比如出現(xiàn)很大錯誤率)，但只要它的分類效果比隨機好一點(比如兩類問題分類錯誤率略小于0.5)，就能夠改善最終得到的模型。而錯誤率高于隨機分類器的弱分類器也是有用的，因為在最終得到的多個分類器的線性組合中，可以給它們賦予負系數(shù)，同樣也能提升分類效果。
[0005]無論基于何種方法，都需要大量樣本訓練出一個準確率高的分類器用于檢測。為了更好的對比不同算法的效果，研究者們提出了一系列標準數(shù)據集用于行人檢測算法的研究，常用的有MIT數(shù)據集、INRIA數(shù)據集、ETH數(shù)據集和Caltech數(shù)據集，這些數(shù)據集都由兩部分樣本集組成，分別用于訓練和測試，每部分數(shù)據集都包含行人圖像集合和非行人圖像集合，即為正樣本圖像和負樣本圖像。其中MIT和INRIA由靜態(tài)圖像構成，ETH和Caltech由視頻幀序列組成。在獲取訓練集過程中，正樣本需要根據注釋文件，從正樣本圖像中提取固定分辨率的行人圖像，一般全部用于分類器的訓練，負樣本可以從負樣本圖像幀框圖獲得海量的非行人圖像，研究者可以根據自己實際需求進行裁剪和篩選，所獲取的正負樣本訓練集的圖像分辨率均為64*128。近些年來，在行人檢測領域的研究中，研究者們大多只關注特征設計和分類器選擇，而忽視了訓練樣本信息的合理利用，不能充分挖掘出所使用方法的效果。對于海量的負樣本信息，如何對其進行充分合理的裁剪和篩選，對降低分類器的誤檢率、提升分類器訓練效率起著至關重要的作用。

【發(fā)明內容】
:
[0006]本發(fā)明要解決的技術問題在于:目前大部分行人檢測方法主要關注于特征和分類器的選擇以及優(yōu)化上，而忽視了訓練過程中對海量負樣本的合理應用，本發(fā)明旨在提供一種基于AdaBoost分類器的行人檢測模型訓練方法，結合AdaBoost弱分類器訓練過程，根據樣本訓練集權值的退化程度，對負樣本訓練集進行合理的動態(tài)調整，保持負樣本訓練集的多樣性，提升弱分類器的訓練效率，能有效提升最終分類模型的準確度，優(yōu)化訓練過程的效率，減少訓練時間。
[0007]為了解決上述技術問題，本發(fā)明提出的技術方案是:一種基于AdaBoost分類器的行人檢測模型訓練方法，其特征在于:首先通過已知的標準行人數(shù)據集確定初始正負樣本訓練集及正負樣本的權重，然后在AdaBoost訓練過程中實時統(tǒng)計訓練集中樣本權重值的和，當訓練集發(fā)生明顯的權重退化時，用當前已經訓練好的弱分類器組去滑窗掃描檢測原始數(shù)據集中的非行人圖像，并將誤檢窗口圖像作為困難樣本添加到負樣本訓練集中，然后通過隨機抽樣剔除部分負樣本；最后減小退化程度閾值，降低訓練集更新頻率，繼續(xù)AdaBoost訓練過程，直至最終得到行人檢測模型。
[0008]上述基于AdaBoost分類器的行人檢測模型訓練方法的具體實現(xiàn)步驟是:
[0009]1)確定初始正負樣本訓練集:
[0010]首先，選擇一個行人檢測標準數(shù)據集，其中包括包含行人的正樣本圖像和不包含行人的負樣本圖像。根據數(shù)據集的注釋文件，從正樣本圖像中框圖獲取64*128的行人圖像并進行鏡面處理后提取圖像積分通道特征，構成了正樣本訓練集
【權利要求】
1.一種基于AdaBoost分類器的行人檢測模型訓練方法，其特征在于:首先通過已知的標準行人數(shù)據集確定初始正負樣本訓練集及正負樣本的權重，然后在AdaBoost訓練過程中實時統(tǒng)計訓練集中樣本權重值的和，當訓練集發(fā)生明顯的權重退化時，用當前已經訓練好的弱分類器組去滑窗掃描檢測原始數(shù)據集中的非行人圖像，并將誤檢窗口圖像作為困難樣本添加到負樣本訓練集中，然后通過隨機抽樣剔除部分負樣本；最后減小退化程度閾值，降低訓練集更新頻率，繼續(xù)AdaBoost訓練過程，直至最終得到行人檢測模型。
2.根據權利要求1所述基于AdaBoost分類器的行人檢測模型訓練方法，其特征在于，具體包括如下步驟: 1)確定初始正負樣本訓練集: 首先，選擇一個行人檢測標準數(shù)據集，其中包括包含行人的正樣本圖像和不包含行人的負樣本圖像；根據所述數(shù)據集的注釋文件，從正樣本圖像中框圖獲取64*128的行人圖像并進行鏡面處理后提取圖像積分通道特征，構成了正樣本訓練集5+={(Χι,+ 1),...,(χ ν，+丨)卜其中Ν=2416，負樣本圖像中框圖獲取無數(shù)64*128的非行人圖像，并將其看作海量負樣本原始數(shù)據H ^ ={(x, -1),...,Ux ,-1)},(Λ；.4+00)，再通過在每幅負樣本圖像上隨機框取固定數(shù)量的非行人圖像，從S_中獲取初始負樣本訓練集S = U-V- 1K'，一Oi，其中N_=20，000 ;因此，初始訓練集為S = S+ US0 =I(X15J1)5-..,(Xiv,^)) Ν=Ν++Ν-； 2)初始化正負樣本訓練集的權重為:
【文檔編號】G06K9/66GK103902968SQ201410066461
【公開日】2014年7月2日 申請日期:2014年2月26日 優(yōu)先權日:2014年2月26日
【發(fā)明者】熊志輝, 張茂軍, 王煒, 徐瑋, 賴世銘, 高晨旭 申請人:中國人民解放軍國防科學技術大學