基于AdaBoost-SVM级联分类器的行人检测

2013年7月 计算机工程与设计 。13第34卷第7期0134 基于兴彤(太原理工大学计算机科学与技术学院，山西太原030024)摘要：针对实时行人检测中进出了结合了自定义样本集和验中选择固定大小的窗口作为候选区域并利用类过验结果表明，误报率低于O05，优于练时间要远远小于键词：持向量机算法；行人栓飘；类类器中图法分类号：献标识号：A 文章编号：1000一7024(2013)072547一04on 30024，or of is in of is a 7of he of ET is he a of in is by by us 95is 05VM is vM 在基于计算机视觉的目标检测中，机器学习方法受到广泛关注。文献1中，法的收敛性。针对00功地实现了第一个实时人脸检测系统2。随后，该算法在文字检测、车辆检测及行人检测等目标检测的研究中被广泛地加以采用3当我们进行基于现前几级用少量的弱分类器就可达到预定目标，而后面几级需要用大量的弱分类器才可实现。这是因为训练集在训练时其中的负样本会被移除，随着级联级数的增加，剩余的负样本与正样本非常相似，因此需要对更复杂的负样本进行训练。为了解决这一问题，在标准而使检测准确率和检测速度都得以大幅提高6。)(以进一步提高检测率，降低误报率“。本文中我们基于样本特点，综合进出了级联分类算法。将0一26；修订日期：20西省回国留学人员科研基金项目(2010一30)；山西省高等学校留学回国人员科研基金项目(201110)作者简介：降爱蓬(1969一)，女，山西太原人。博士，副教授，研究方向为视器学习与图像识鄹、近似算法设计与分析；杨兴彤(1988一)，男，山东泰安人，硕士研究生，研究方向为算法设计与分析、机器学习。26013年联分类器和报率都有明显改善，分类效率也有很大提高。1相关算法11 后集成各个弱分类器构成一个强分类器。表1为其算法描述。表l )输入：给定)J，)，()(zN，y。)，其中特征向量，且一1表示正负样本；弱学习算法，迭代次数T(2)初始化权值：初始化样本权值：w，(i)。亩，N(3)，加权训练样本子集上用弱学习算法训练得到弱分类器是，2)计算一龇(i)弘。(置)，即岛为错分样本的权值之和3)设置弱分类器见的权值：m 2)4)更新训练样本的权值：圳)一趔巫掣=半：孑薹j：鲁，其中得(i)一1(4)输出：总体分类器的判决函数：H(z)一矗g”(口。(五)分样本的权值靠因子皇二获邑得提升，从而增加了错分样本的总权值。增加错分样本的权值并减少被正确分类样本的权值的目的是使具有更高权值的样本对训练中的分类器影响更大，分类器会更关注错分样本。随着弱分类器数目丁的增加，决策函数H(z)的分类错误率会下降，当分类器的错误率将趋于零。12 A证了算法的稳定性。然而每个弱分类器只能粗略地进行分类，少量弱分类器的组合可以有效地减少计算的复杂性和时间，但是其分类准确率较低；组合更多的弱分类器可以提高分类精度，但是时间花费增大了，分类准确率有时依然不能达到分类要求。为了解决这一问题，结构如图1所示。图1中果样本为负样本，那军群本+ | +负样本 负样本 负样本图1 果为正样本，那么样本会进人下一级分类器，直到最后一级8。这种基于级联结构的对称的行人检测中。这是因为在基于扫描窗口进行图像特征提取然后进行分类训练的算法中，大多数的不包含行人的负样本图片以及包含行人的正样本图片中那些与行人的外观相去甚远的相当比例的区域在前面比较简单的级次中用少量的计算量就能移除，而只有那些与行人最相似的区域才需要花费较大的计算量，因而级联结构大大降低了运算复杂度，提高了检测速度。13支持向量机支持向量机(s、订在结构风险最小化原则基础上，根据有限样本信息在模型的复杂性和学习能力之间的最佳折中，对两类样本找到一个最优分类面9。对于一个给定的二分类问题：(五，M)1 z：R。，M1，一1)，其中，N)，其中弘是z。的类标识，为训练样本的个数。最优分类面，的求解可以归结为最优化问题111满足M(1z。+6)l，(，N) (1)当样本线性不可分时，可以引入非负的松弛变量毫和惩罚因子C，则式(1)转换为+c景u o，+6)1一e；毫O；(il，2，N)(2)根据最优化理论，可以将式(2)转化为对偶问题来求解 N a)一伽烈yj(z，弓)l=1 I=1 J=c；y。一o (3)=a?中口?不为o，其对应z。，终的判别函数为万方数据第34卷第7期 降爱莲，杨兴彤：基于z)=豆朋(z)+6)=羹弘(五z)+6+)j=得样本在上述式(3)转化为N N a)一诉一告鲫珙K(如刁)I1 J=d。c；：3I。一o (4)i=，z)为核函数，本文采用的核函数为径向基函数(丽)一铲)得到最终的判别函数为旦厂(z)一一：口?y。K(zt，z)+6)2 诅级联分类器在于负样本的移除，剩余的负样本与正样本提取的特征会非常相似，所以造成了前几级用少量的弱分类器就可以达到预定目标，而后几级需要更多的弱分类器组合才可实现。随着弱分类器个数的增加，样本的训练时间会大大增加，同时学习难度的增加容易造成过度拟合，导致分类器的分类效率下降、稳定性变差。鉴于挥线性及高维模式识别中的特有的优势，本文改进标准出了法描述见表2。算法开始时为某一级的弱分类器数达到咒00时S分类器只需对此，可以保证训练速度和检测速度。首先设置分类器每一级的最低分类准确率d，最大误报率厂和级联分类器总体的误报率类器的构造需要两层循环，内层循环首先利用增加一个弱分类器就重新评估断是否达到了预定目标。如果达到，这一级的则继续增加弱分类器个数，当弱分类器个数达到”00到达到预定的总体误报率指标，算法结束。表2 )设置每一级分类器的最低分类准确率d，最大误报率，和总体的误报率E，设置每一级分类器中最大弱分类器个数)初始化：分类所达到的分类准确率，误报率i=O(3)fji+1mo；F，一F，其中，F，l ”H一”。+1利用F。H)利用s、，F。3行人检测实验利用像分割，特征提取和分类。首先是对输入的图像进行分割。实验中采用的图像分割方法是选择固定的窗口大小将输入图分割成不同区域。特征提取方法采用是最早由。本文应用到4个Ha图2所示，矩形的特征值等于白色区域的像素值和减去黑色区域像素值和，它反映了图像的局部像素变化，与积分图方法11相结合可以完成实时的计算。为了检测不同尺寸大小的行人，在级联I，图2 实验环境及样本本文的实验是用20验中应用了3000个自定义训练样本，其中包括500个行人样本和2500个非行人样本，如图3所示。样本的尺寸均为1536大小。另外还用到3000个图4所示。它同样包括500个行人样本和2500个非行人样本。这部分样本取自运动场，因此形态各异，非行人样本相对简单。测试集包括100个行人样本和500个非行人样本。32实验结果及分析为了更好地评价实验结果，首先定义几个概念：总体分类准确率能，行人分类准确率隙，误报率等100万方数据计算机工程与设计 2013年图3 自定义训练样本集(部分)图4 分)隙一等100 100据现有的测试集进行行人检测实验，置参数。每一级分类器的最低行人分类准确率别设置为O999和o4。在自定义样本集中，一级采用1个弱分类器而第二级采用6个弱分类器。置最大的弱分类器数为5，第1级采用第2级先采用采用一级的弱分类器个数为分别为1、6、8、11、12、16和29。设置每一级的最大弱分类器个数为10，这样在前3级后4级先采用采用S分类器。实验结果见表3。表3两种分类器的分类效果比较(P=500)分类器 墼塑堡自定义样本集 自定义样本集中，是由于两种分类器对行人和非行人样本的分类准确率都很高。而在这是由于征提取时较为复杂，区别正负样本较为困难，这就是后一级需要29个弱分类器才能达到分类效果的原因。以看出，级联分类器在两个图像库中的分类效果都要优于图像越复杂，一方面，通过行人检测实验比较00果见表4。表4 一100。据集 维模式时有一些特殊的优势，但是对于大训练样本，此在80的训练样本已经由前几级的原始样本，这样此结束语本文提出了一种综合了于级联结构的维数据分类具有特殊优势。实验结果表明报率明显降低，并且图像越复杂优势越明显。此外，考文献：1硒 Scce |、11e 23 01 o2，正 ，099，510 006(下转第2565页)万方数据第34卷第7期 陈珂，邹权：融入时间关联因子曲线拟合的交通流异常挖掘方法 2565on s 006，132(4)：3213304n，on of on 012，26 (4)： 7375 (黄春燕，满君丰基于曲线拟合的多传感器时间对准算法研究J湖南工业大学学报，2012，26(4)：73755on in 11007(hi王亚琴道路交通流数据挖掘研究D上海：复旦大学，20076on u：003(刘君强海量数据挖掘技术研究D杭州：浙江大学，20037i，on 2012，42(5)：11921197(李琦，姜桂艳，杨聚芬基于因子分析与聚类分析的交通事件自动检测算法融合J吉林大学学报(工学版)，2012，42(5)：119211978of 006，16(7)：123127(陈德旺，郑长青，章长彪快速路交通流异常数据判断算法研究及实证J中国安全科学学报，2006，16(7)：1231279ao，i”，et j 2005，12(2)：5256(11俊峰，罗积玉，等基于时空分析的复杂交通流数据挖掘算法口四川大学学报(工程科学版)，2005，12(2)：525610|u，I，et aL ，a”on ng 008，8(4)：374l( 余柳，于雷，戚懿，等基于浮动车数据的城市快速路交通事件检测算法研究J交通运输系统工程与信息，2008，8(4)；3741(上接第2550页)3u 00st D of 007，30(1)：103109(in c1 李闯，丁晓青，吴佑寿一种改进的计算机学报，2007，30(1)：1031094w c，c W ms an ：010，40(3)：8929025，s， Yet a of of cof 006：149114986 T， c S a 008，17(8)：144647(二ao x B， A 10wa 008，9(1)：58678d st l Dl 2009，3(4)：廿43( 何海燕，施培蓓基于改进安庆师范学院学报：自然科学版，2009，3(4)：40_439I ie，et 1010：160一165(in 陈俊杰，