基于快速级联分类的行人检测系统

第39卷9第8期计算机工程013人工智能及识别技术 文章编号：1000_013)献标识码：A 中圈分类号。玉娟(合肥师范学院公共计算机教学部，合肥23060 1)囊要：行人检测系统难以同时具有高检测率、低误报率和较快的检测速度。为解决该问题，提出一种基于快速级联分类的行人检测系统。该系统包括预处理和分类检测2个部分，在分类检测阶段，利用过固定训练样本的误报率，并结合串联分类器的优点，设计快速级联分类器(其中，单特征分类器使用快速排序策略，以提高系统的整体性能。仿真结果表明，该健词：行人检测；快速级联；不平衡分类；特征选择；分类器U Yu30601，ue to 0w a on is of n it of of a of he to Fof l 0396900034282013080601概述随着汽车智能化的发展，行人检测系统作为智能汽车的一个核心技术，受到产业界的高度关注。行人检测系统要求检测率高、误报率低和检测速度快，对于保障行人安全和汽车安全驾驶具有重要的意义。由于行人检测系统面临的环境复杂，行人个体的差异较大，这对行人检测系统实时性提出很高的要求。另外，行人检测场景的数据分布不平衡，如每帧检测窗口包括约20 000个检测对象，而行人只占万分之二，因此需要设计一个有效的分类器，使得行人检测系统的整体性能好，并且可以适用于不同的检测场景。现有的行人检测系统主要包括特征提取和分类器设计2个部分。特征提取的典型代表有文献1提出献2提出尺度不变性特征变换(文献3提出的方向直方图(征等。文献4将不同特征(主成分分析(局部感知域(合不同的分类器(神经网络、支持向量机(合得到相应的行人检测系统。分类器设计主要包括单分类器设计和多分类器集成。早期的行人检测方法主要使用单分类器(向基函数(神经网络)等进行分类，如文献5将且取得一定的应用，但检测时间较长；文献6设计一个基于虑到所提方法的检测率较低，后期改进工作使用模拟退火优化高了分类性能；文献7设计一个神经网络分类器用于并成功应用于行人检测系统。基于单分类器的行人检测方法简单易实现，但其检测速度慢、误报率高。因此，基于级联框架的分类器被广泛关注。文献1】首次提出级联分类器并成功应用徽省高等学校省级自然科学基金资助项目(I(者筒介：施培蓓(1983一)，女，讲师、硕士，主研方向：模式识别，人工智能；胡玉娟，副教授、博士收藕日期：2012一05回日期：20】2一0620 E63培蓓，胡玉娟：基于快速级联分类的行人检测系统 275检测，每个分类器使用献8设计的行人检测系统使用3个支持向量机单分类器进行级联，得到的级联分类器的检测率和误报率与单速度慢了很多。尽管现有基于分类的方法取得一定的效果，但行人检测系统需要不断处理变化的场景。现有基于分类的方法无法同时满足检测率高、误报率低、检测速度快和多场景适应性的要求。行人检测系统还存在数据分布不平衡的现象，即行人样本和非行人样本严重不均衡，而传统的分类方法没有考虑到样本不平衡的问题。另外，行人检测方法中提取的特征是海量的，如何提取较优的特征对行人检测系统的实时性具有一定的影响。基于以上问题，本文提出一种基于快速级联分类的行人检测系统。利用过固定分类器每层分类的误报率来调节分类器的阈值，在满足误报率一定的前提下，实现检测率和检测速度的提升。2基于快速级联分类的行人检测系统21系统框架行人检测系统的基本框架如图1所示，包括预处理和分类检测设计2个部分。预处理部分首先利用传感器获取待检测图像，接着通过数据预处理方法获取高质量的图片。在分类检测阶段，首先提取样本的着利用后设计级联分类器输出最终的结果。传感器信息获取预处理二二二二二二二_=L分类检测L快速缓联分类器221快速级联分类器模型为了同时满足检测率、误报率和检测速度的要求，提出快速级联分类器(基本思想是在每层训练时，从当前负样本集中选取与正样本数目相同的子集，用正样本集和负样本集训练节得误报率恰好等于预设的数值，被错分的负样本进入下一层成为新的负样本集，误报率的控制使得最后一层的正负样本集合规模相当。快速级联分类器的具体实现如下：(1)输入正样本集合为P，负样本集合为，且正样本数目远小于负样本数目，即ll，初始化单分类器的误报率=I。(2)f=0负样本集合中随机取样得到子集f，使得 l。2)将尸和，组成新的训练集，利用j，并调整分类器阈值使得分类器误报率为j 用单分类器除分类正确的负样本。(3)连接所有单分类器H，输出最终的级联分类器(x)单分类器的误报率初始化为厂=7叫J I，则P I=厂卜1II。在每轮迭代中移除部分分类器正确的负样本，使得在最后一轮迭代时的正负样本集合规模相当。固定单分类器误报率有效消除了数据分布不均衡的问题。图2给出快速级联分类器流程。快速级联分类器与分类器的特点：(1)将多个单分类器从上到下链状排列，采用逐步求精的思想，待检测目标只有通过上一个分类器的检测才能到下一个分类器。(2)固定训练样本集合的误报率，单分类器训练的负样本从样本集合中随机得到，单分类器阈值的调整通过计算误报率来实现。(3)每轮训练中负样本集合中判断为正的样本将从样本集合中移除。快速级联分类器的优点是检测率高、检测速度快，误报率可以通过计算正负样本的比例得到。输入正负样本集合计算训练样本的误报率训练单特征分类器调整分类器的阈值满足误报率要求将分类正确的负样本从样本集合中移除重复瞅圈2快遗援联分类黼222单特征分类器本文采用分类器办(x，厂，p，臼)是一个关于特征的阈值函数，其中，不等式方向了提高特征的分类能力，本文利用快速排序并搜索确定每列特征值在当前权重下理论最优的阈值护和不等式方向p。利用快速排序确定阈值的方法可以加快单特征分类的处理速度，并且提高了单特征分类器的性能。万方数据276 计算机工程 2013年8月15日3仿真实验31评价标准由于行人检测面临数据分布不平衡，因此常采用接收者操作特征曲线下面积(果实例是正类且也被预测成正类，即为真正类(即)，相应地，实例是负类但被预测成正类为假正类(即)，实例是负类且被预测成负类为真负类(丁聊，实例是正类但被预测成负类为假负类)，根据上述内容，可得基本的评价标准混淆矩阵如图3所示。预测正类 预测负类实际正类 P) 实际负类 P) 图3评价标准混淆矩阵利用混淆矩阵可以得到检测率P 2志和召回率尺=鼎，进一步得到。=等和=厄磊。将检测率作为报率作为到接收者操作特征(线图，通过计算2性能比较采用】作为行人检测数据集，数据来源于安徽省合肥市交通环境。选择400个行人样本和4 500个非行人样本作为行人检测数据集，图4给出负样本的比例为1125，数据分布不平衡现象明显。琴零攀零零譬警薯；、j，；：，1一：、，。?摹雾，毒二。熹一蠢?j，之，_。_!争、；：|舔_乙弋：一嘲图4部分行人样本采用于了提高行人检测的速度，采用5给不同特征数目的样本可分度。可分度用来衡量数据集的分类难度，可以看出，当特征数目满足一定数量时，可分度不再增长。特征数|图5不同特征数目下的样本可分度为了快速级联分类器用传统的有实验均采用5行20次求平均值得到。级联分类器迭代的次数为4，计算得到单分类器的误报率： 厂=而砺面=o446图6一图8分别给出以看出，快速级联分类器的曲线图均优于其他2种算法，6 9给出u】和用算法对于小规模的不平衡问题有效。从图9可以看出，快速级联分类器在解决行人检测问题时性能优于9 转第284页)刚哪卿哪啪嗡哪灿啪蛳000算机工程 2013年8月15日角度为002。，检测结果具有很高的准确性，从检测识别到伺服电机纠偏对中完成耗时126 s，而伺服电机的运动要占大部分的时间，所以，每次贴片头吸取的位置不同，纠偏对中的时间会有所差异。实验在一定范围内改变光源的照射角度，发现对检测结果没有影响，说明本文技术具有较好的处理非线性光照的能力。砷 一 一删9删4掣1f蠹r， 一 !套：鞴i；i；i；嚣强；雾i；i：；i；圈6实际柚蒯对中的效果5结束语文根据芯片焊点排列的特点，提出一种验结果表明，该技术较为简单、稳健，提高了有实用价值，本文涉及焊盘区域分割、引脚自动识别技术等，对多引脚细间距的芯片检测和对位具有一定的参照价值。今后将针对强系统容错辨识功能，以适应而扩大应用领域。参考文献【1】 C，】994，46(6)：46502鲜飞印制电路信息，2004，(7)：633】鲜 飞贴片机现状及发展趋势J印制电路信息，2008，(2)：654李秦川基于机器视觉的贴片机元件定位检测技术研究D西安：西安理工大学，2006【5】周卫星，秦笛，自 洁，等基于增强现实技术的】电子测量技术，203(9)：56596 s N， A特征提取与图像处理【M李仁发，李实英，译北京：电子工业出版社，207】赵大兴，王璜，朱锦雷，等高精度自适应阈值分割算子的设计J计算机应用，2008，28(7)：17428 郭斯羽，张煦芳一种基于模型的自适应阈值分割算法J浙江大学学报：工学版，2005，39(12)：1950一19539】梅领亮成都：电子科技大学，201010】，u，3版杨少荣，译北京：清华大学出版社，201111何小利，宋 钰基于机器视觉技术的物体表面缺陷检测J】洛阳师范学院学报，200(2)：6412】占 涛全自动北京：清华大学，2011编辑刘冰，q一(上接第276页)4结束语本文提出一种基于快速级联分类的行人检测系统。选取部分较优的特征，计算得到单分类器的误报率，通过固定误报率，且在保证误报率低的前提下得到最终的快速级联分类器。在行人检测数据集上进行大量测试，相比于传统的快速级联分类器性能较优。今后的工作是解决行人检测中的样本不平衡性问题。参考文献 】 004，57(2)：137 M】004，60(2)：91一110】S1】：005， M】006，28(1 1)：1863一18685】 c】S1】：997【6】