基于机器学习的行人检测算法研究

山西大学2013届硕士学位论文基于机器学习的行人检测算法研究作者姓名指导教师学科专业研究方向培养单位堵乔旱位学习年限李林张丽红副教授物理电子学图像处理与模式识别物理电子工程学院2010年9月至2013年6月二 013on i 0 1 0920 1 36013目录中 文摘要论111研究背景112国内外研究现状213研究难点414论文组织结构8第二章基于学习理论的行人检测算法研究1021引言1 022基于特征的方法12221 12222 1 3223 。14224 1 6225 1 623基于多部位的方法1 8231常见算法理论分析介绍19232基于局部模板的匹配2多视角的检测方法2325小结24第三章基于2531引言2532算法基本理论25321 。25322支持向量机26323 2633分类器设计：2834实验结果和分析29341本文算法的检测结果30342本分类器性能比较3 135本章小结3 1第四章基于改进梯度直方图的多尺度的行人检测3341引言3342算法基本理论3343行人检测系统3544实验结果分析3545多尺度检测3846结语38第五章总结与展望39参考文献40攻读学位期间取得的研究成果44致射45个人简况及联系方式46承 诺 书47学位论文使用授权声明48 111 112 at 213 414 8 on 1021 1()22 on 1：1221 1 2222 1 3223 14224 1622：；】1623 on 1 8231 to 1 9232 on 2124 on 2325 ：! VM 25：；1 25：；2 25321 25322 26323 26：；：；28：；4 29341 30342 3 l：；5 3 on 3341 3342 3343 3544 3545 3846 38 3940444546of 472I；中文摘要中 又 捅 姜基于机器学习的行人检测是一个很重要而又很有发展前景的研究领域，有着广泛的应用价值，其涉及多个领域比如人机交互、车辆辅助驾驶、视频搜索和安全监控等方面。但是由于行人外观着装的非刚性以及复杂背景的干扰且在实际应用中要求极高的在线检测，所有的这些限制因素最终导致行人检测成为一项艰难的研究课题。目前有很多公开发表的行人检测的算法，比如模板匹配方法和基于统计学习方法，模板匹配是一种比较容易实现且很早就应用了的方法，是经过时间考验的经典性算法，人的头部轮廓有很好的不变性，在这样的情况下，模板匹配能够较好的描述目标。基于学习的方法有两个很重要的方面，一个是表征目标的特征描述算子，另一个是采用的学习算法。本课题仔细地研究和分析了行人目标检测研究领域中当前十分流行且受很多研究人员关注的检测算法，比如特征提取算法和机器学习算法，算法主要是基于行人轮廓形状信息的分析，本文正是利用这一特性，对梯度方向直方图特征进行改进使其能够提取出包含更多行人轮廓信息。采用支持向量机算法训练得到分类器模型测试结果表明，在分类器训练框架上采用了是根据本文算法的特点做了一些改进，用线性单个验结果表明该检测框架训练得到的强分类器具有压倒性的分类判别优势。在检测阶段，通过检测窗口在图片中滑动提取特征然后进行判别，而且有的行人目标在图片中占据的位置偏大或者偏小，另外还会有多个检测窗口同时框住同一个行人目标，怎么样合并这些检测窗口，本文采用多尺度检测技术和非极大值抑制能够精确地合并检测窗口以及定位行人在图像中的具体位置。对行人特征样本进行训练学习和检测是在和的软件开发环境中实现的并且使用的行人测试库是验结果证明本文所采用的改进的特征提取算法和训练框架能够生产检测性能更好的分类器模型。关键词：梯度方向直方图；支持向量机；尺度检测基于机器学习的行人检测算法研究。we to in C he OG a ey of 研究背景第一章 绪论随着科学技术的发展和人们对生活质量的追求，让机器变的和人一样的智能是发展的趋势，在计算机视觉与模式识别研究领域中个基本但重要的任务就是让计算机通过摄像头采集图像然后能像人一样能智能分析和理解图像，从中抽取出有用的信息并且指导机器的下一步行动，目标检测一直是其较为热门的研究方向之一瞳41，具体研究内容有很多比如从图片或者视频中检测人脸、识别数字和文字、检测车辆等处理一些刚性或非刚性的目标物体。行人检测因其自身的特点与困难，一直吸引着许多研究人员的目光。比较典型应用有：(1)视频监控在一些重要的公共场所比如军用和民用飞机场，军事禁区，机密部门，银行等一些公共场所都安装了大量的专用摄像机，用以监控人流量或者行人的行为举止手否构成一定的威胁。如果人工读取和分析这些视频内容，这样一来工作量异常的大并且效率也不高还会造成许多区域的漏检，更为重要的是难以将某个具体重要的目标行人的行动轨迹全部组织起来分析他的意图。引入行人检测技术不仅能够提高视频监控效率而且能够对人流信息进行精准的分析和计算。(2)智能交通开发出一套高效，实用和安全的智能车载系统一直是研究人员和消费者的希望。微型只能人机系统，智能的车载系统必须能够根据实时路况和驾驶员状态及时提醒甚至帮助驾驶员对外界做出判断并且能够采取一些应急措施。这不仅可以降低交通事故，当然也蕴含着巨大的商机和研究价值。虽然已经有一些类似行人检测的智能系统被应用到车辆等交通工具上作为驾驶员辅助操作系统，智能人机交互系统，但其性能还远不能达到令人满意地步，还需要学者们进一步探索和研究。(3)人机交互随着现代技术的发展和人们对生活质量的要求，促使要求计算机和人可以自如地交流并且根据人的举止行为能够指导计算机的进行下一步措施，能够采集和处理外部环境中信息的能力成了计算机必须具备的特性，并且还必须是高效可靠基于机器学习的行人检测算法研究地提取环境中的那些信息。以行人检测为例，对人体的识别就是要让计算机定位人在环境中的具体位置，能够很好的描述人的行动轨迹，要使计算机更好的理解人的意图，就必须采集人的肢体动作以及面部表情等，并且根据这个分析意图对计算机发出指令进行下一步的操作。在不同的应用场景中，由于目标主体的表现形式的差异以及需要提取的目标信息不同等情况，比如有些目标是直立、弯曲、遮挡的，有的需要提取轮廓，颜色等不同的信息，这导致行人检测的研究方法因其应用的差异也会有各自需要针对解决的难点。漏检误检率是很重要的评判因素。例如，用于监控一般公共场所下的固定情况中用于采集场景中信息的摄像头，此种情况下采集到的视频背景是固定不变的，那么可以利用帧差提取目标的运动信息，比如运动轨迹、速度。这样不仅检测的效果好而且能够轻易地获得较高的实时检测需求；如果多摄像机或者处在运动中的摄像机用于监控时，此刻一般利用和提取目标主体的外观信息，比如着装颜色信息、人的肤色变化、人体的边缘轮廓信息等，这样对算法要求很高，必须能够提取目标的细节特征，对实时性要求也很大，这种应用的难度也是最大的，应用范围也是最广的。从具体的研究应用方向角度来细化分析，行人检测属于目标检测的一个特有的分支。投入财力和人力进行这方面的研究是有很大的价值的，包含两个原因：第一它有工业自动化生产过程中的对产品质量的自动检测，拥有巨大的商业应用价值，比如对半导体芯片或者电路板的硬性损伤，可以利用图像识别中相关算法自动检测识别合格的产品；第二，人体既有大概的固定轮廓也会有随动作变换的多种姿势，同时包含着刚性和非刚性的特征于一体，对行人检测的研究能够很好的指导和启发研究其他目标物体，比如对行人检测中用到的方向梯度直方图提取特征，对这个特征稍加修改运用到车流量统计之中，能够获得很好的统计结果。12国内外研究现状正是看到了行人检测的广阔应用前景与技术上实现的可行性，近些年西方国家从学术界到工业界，从政府部且也取得了许多丰富实用的成果和开辟了一个又一个新的研究领域。美国视频处理的研究最早是从军事应用角度考虑开始研究和发展的，最重要的一个研究内容之一便是对行人识别和继而进行行为智能分析，国国防第一章绪论高级研究项目署，S 20世纪末就设立了以合频监控项目，l 主要研究和探索在线自动监控军事和民用场景的视频理解分析技术，包括场景分析，目标跟踪，行人轨迹等研究内容。000)开发了视频监控项目的一个子系统4W(do ho do ，采集的图像数据是灰度图片通过单摄像头获取的，复杂场景中人的行为分析判断，对复杂的室外环境中的行人进行定位和分割并根据诸如颜色或者运动轨迹实时跟踪多人。这些丰富的研究产生了大量优秀的算法，所有的这些努力和付出都为实际应用奠定了坚实的技术基础。国内的研究机构和高校有中科院，清华和西交等都在行人检测领域做了深入细致的研究工作，这些深入细致的研究为工业生产和生活应用奠定了坚实的技术基础。当前主流的行人检测研究方法可以分为两大类：第一类是基于特征的方法，这个方法的核心就是找出能够描述目标物体更多特征信息的算法，比如轮廓信息、颜色信息等，不但能够用一组特征数据作为行人描述代表，而且这组特征数据中还尽可能多排除光照，弯曲姿势等噪声的影响，所有的这些要求无外乎是要能够地很好的区分行人目标与场景中其他不相关的物体，这样的算法训练得到的分类器模型才是最好的。第二类是基于多部位的方法，该方法就是要减少漏检误检率，该方法致力于解决人体的非刚性诸如遮挡的影响，通常情况下研究人员喜欢将人体划分为如独立部分的头部、躯干、手臂、四肢等若干个单独的部位进行单独的匹配，因为这些独立互不相关的部位，在一个比较小的图片块可以近似地看成刚体目标，对这些单独被分割的部位分别建立这样的检测模式是可取的，比如有贝叶斯模型，即使遮挡情况发生在某些独立的部位上时，采用条件概率先验知识对因为遮挡而造成缺失的部位进行估计，从而完成对整个人体的检测定位。每年有大量的学术论文对这两种方法进行深入的研究，在原来的基础之上进行变异和结合各自算法的优点，所以在这两大类的基础上，还衍生了许多其他的方法，比如基于多视角的方法，这算法出发点就是从不同的角度观测和提取目标行人的特征信息，提取训练行人样本的正面、侧面和背面等信息，在训练开始时对这些不同的特征信息划分进行训练，这种基于多视角的训练方法是能够很有效的提取出行人信息。纵使这些算法的千差万别，但是它们的本质是不变的，只是针对不同的处理难题采用不同的策略而已，都要尽可能多的提取到图片中行人的特征信基于机器学习的行人检测算法研究息，尽量避免算法的缺点，吸取各种算法的优点才有可能成为一个成熟实用的目标行人智能检测系统，根据具体应用的场合将它们有机的结合在一起，发挥各自的长处，那么才有可能达到最为理想和让人满意的检测结果，没有最好的算法只有最适合算法。13研究难点在图像识别领域，某种待测物体的识别难度大小与否，最为关键的是这类所有待检测的样本的物体的类间差异大不大。类间差异就是待测目标之间的某种相似性。比如，手写体的文字要比印刷体的文字识别要困难的多，这是因为印刷体的文字字体都有一个统一的模型，而手写体因人的差异而表现出来的字体结构也是多样的。下面分析下行人检测究竟难在什么地方。(1)外形上差异行人目标的衣着或身材都是导致外形上差异的直接因素。着装会很大程度上影响检测对象的外观，这是因为着装的差异影响了目标特征信息的提取，进而会影响到计算机对其分析和理解。比方说，冬季和夏季，人们不同的衣着会使得同样的人有不一样的外形。这些不一样的外形都是会影响到特征提取的算法，具体到每个细节，胖瘦高矮，戴帽子，拿包或者是穿裙子等非刚性的行为都会很严重的影响到其对应的头部，手部，躯干以及腿部的刚性外观。这样导致提取的特征训练成的分类器模型的泛化能力不强，同类物体之间的巨大个体间差异决定了目标行人检测是一个很难解决的问题，基于多部位和多视角的方法对于这样挑战而艰难的问题的解决提供了一个很好的解决方案和思路。在图11中展示的是些样本的外观颜色不同导致在采用特征提取方法上要有一定的针对性。图11衣着与身材的差异性第一章绪论(2)姿势的多样性对于外观差异导致的非刚性物体研究的难点和解决办法有了一定探讨之后，只要摄像机采集刚性物体图像信息时的角度不变，获取得图像数据也就差不多保持不变，目标物体的运动状态不管是什么样子的，不论是站立还是跑动状态，都几乎不会发生形变。形变对物体特征信息提取是个很大的障碍，审视对行人的检测，静止或是站立，骑车或是行走，坐在板凳上的以及伸手抬头肯定就会影响到被检测对象的外观，所以也就会影响到特征提取进而影响到最终的分类器的训练，所以行人的描述算子不能仅仅由几个特征简单的组成，在很多物体检测中都会使用多种特征相结合的方法，这也是基于多部位的方法所考虑的一个重要因素。图12中行人姿势因为主观因素而不一样，但是一个成熟的特征提取算法必须能够克服这样问题。图12姿势的多样性(3)遮挡严重行人检测不同于其他工业上的检测，行人因为主观因数，他们的行动轨迹不受外界控制，那么很容易产生相互之间交替遮挡，所以在检测过程中发生漏检的一个很常见的现象。在拥挤的街道商场等场所，诸如肩膀腿部等之间出现遮挡的情况是很常见的，克服这样的问题不能仅仅依靠一个强有力的特征描述算子了，当然一些基于全局特征的方法就失去了效果，由于特征信息量不足导致一些基于多部位的方法也不能很好的检测出行人，这是因为不能提取出有效的特征信息，没有检测到足够的被单独分开的部位而发生的漏检现象。在日常生活中图13这样拥挤的画面很常见，但是对这样的场景进行视频监控就需要有一个很强大的算法和一个有效的检测方法技巧。基于机器学习的行人检测算法研究图13行人的遮挡(4)尺度检测窗口在待测图片中进行滑动检测时，一般情况下检测窗口的大小是固定不变的，但是由于所在场景中的行人离摄像头有远近高低之分，以及行人自身的大小，这两种因素都会导致采集到的图片中目标行人的尺寸不一样，这样检测起来很容易产生漏检，通过将待测图片不断的缩放然后再进行检测可以解决这个问题，可想而知随之而来的是成倍的计算量，这就会限制在现实中的大规模应用。例如在对图14进行检测时，如果一直不停的缩放窗口，那么很多计算资源都浪费在没有行人的位置上，如果可以针对这个问题，也就是在初步检测时，没有检测到行人就不进行后续的缩放检测那么可以很提高计算效率的。图14不一样尺度的行人(5)视角由于行人检测是依靠摄像头采集场景中的图像数据，那么就会因为摄像头摆放位置等因素导致视角的变化，变化的视角不利于特征的提取，旋转是导致视角变化的主要因素，而平面内旋转和平面外旋转是旋转的两个基本方面。目标行人第一章绪论正面，背面和侧面等就是这样由于视角的变化而产生的。最终表现在检测过程中的影响就是一方面对检测结果影响比较大的正是由于这些不同角度下采集到的图片数据，另一方面是对基于多部位的检测方法的影响是由于摄像机角度问题导致人体各个部位大小比例失衡，这一点也正是本小结中详细介绍的。图15显示的是处于不同视角下行人样本，在训练过程中必须要确保训练集数据丰富多样，要包含行人的各个角度的样本。图15不同视角下的行人(6)光照和背景在实际检测应用当中由于不能事先了解行人所处的背景环境，也无法克服环境的变化所带来的影响，例如城市中车水马龙的街道抑或是人群拥挤商场，这些都很难采取先验知识，或者是贝叶斯全概率估计来消除这些背景的影响。道路两旁的树木以及阳光下行人的影子，这些都会影响到人的边缘轮廓信息的提取，从而造成大量的误检错检，漏检误检通常都是这样产生的。明暗交替的光照地方，由于明暗交替容易产生类似人轮廓的边缘信息也就会影响检测，着装深黑色的行人在暗淡光线的条件下很难提取到边缘信息，那么也就不利于检测。我们开发出来的智能系统是需要能够在24小时内工作的，不管是白天还是黑夜，这就要求系统中拥有对图像的预处理操作，以此来进行局部的光照平衡，这一定程度上会缓和光照影响带来的检测压力，但是这在实际应用当中肯定会降低检测速度的。图16所示的是光照变化的边缘行人的样本，对这种检测很难提取行人的轮廓信息，那么就容易产生误检漏检的。7基于机器学习的行人检测算法研究图16背景和光照的影响如上所述的是各种检测情况下遇到的需要克服的难点，图1卜16展示的是不同个体环境条件下造成行人的不同个体的差异大的原因，这些原因有很多不仅仅是文中例举的那些着装、颜色、姿势、遮挡等因素。虽然有上述这样的诸多难点中，但是经过研究人员不断努力，都有了比较可行的办法，没有什么算法是绝对的好与不好，每个算法都有适合不同的应用条件，一个令人满意的检测结果是建立在综合各个方法的优点基础之上的，不能单独的指望某一个方法的绝对理想的检测效果。14论文组织结构本文研究的重点是基于机器学习的复杂背景下的行人检测中特征提取算法和学习算法，分析研究各个算法的性能，以及对行人特征描述算子进行改进和采用更加有效的分类器模型框架。读研期间，主要完成的工作如下所示：(1)研究了目标行人的特征描述算子，对其中几种经典的有代表性的特征提取算法进行了深入的研究和分析，包括度方向直方图(局部二值模式(像素域特征，通过分析这些算法之间的来龙去脉和优缺点，提出了一种新的改进方案能够提取更多的邻近像素块之间的行人边缘轮廓信息。(2)研究了基于类器模型的行人检测算法，并将其运用到3)利用标准的行人测试库，在一章绪论本篇论文总共分为五章，如下是具体论文组织结构：第一章对目标行人检测领域和分类器模型学习训练面临的难点问题，研究背景做了深入的分析和研究，考察了实际应用现状，分析了当前国内外目标行人检测的研究现状和研究难点以及研究价值，指导和引领着我们需要在哪些方向进行突破。第二章分析行人检测的方法，对特征提取算法和机器学习算法作了个深入的分析，分析研究其特点、优缺点以及适用的场合。第三章详细介绍了目标物体检测领域经典的算法框架：算法框架被应用到许多目标物体检测领域中，像人脸检测的文将线性析该算法框架的特点以及它在行人检测中的优势所在，并给出了实验结果和分析。第四章对用析实验结果，表明了该改进算法能有效提高检测精度。第五章概括本文的工作，并阐述了未来的研究方向与应用前景。基于机器学习的行人检测算法研究第二章 基于学习理论的行人检测算法研究21引言经过上一章节研究分析可以看出，行人检测面临着各种各样的现实中难点，这些年来产生的许多优秀的算法和检测策略，都是在科研工作者和研究人员，不懈的付出和努力下提出的，行人检测的精度和速度，这样一次又一次的被提升了，促使着行人检测向更加成熟实用的方向不断迈进，并且衍生出许多新的研究方向，产生新的使用价值。对其中最具有代表性的几种特征提取算法和训练分类器算法做一个初步的细致地介绍和深入地分析理解是本章节的主要任务。根据表征被检测物体的方式不同，对当前的物体检测算法大体上分成三种方法：第一种是被称为基于整体特征的算法标行人通常看作是一个不可分割地统一体运用到检测算法中去，在最后的检测阶段的过程中一般用固定大小矩形的检测窗口来框住所检测到行人。在待测图片中，检测窗口在图片中按一定规律进行滑动操作，接着进行诸如小波或梯度方向直方图等以及其他特征提取工作，我们利用和加载事先训练好的诸如支持向量机分类器模型，得到最终判别结果并进行进一步处理。直观明了是这种算法的长处，另一个优点是容易实现并且检测速度比较快。一个强大地能够描述行人特征信息的算法也就是能够完美地提取出行人的边缘轮廓信息等是必需的，优秀的检测结果是建立在上述这样的理想的假设前提下。漏检和误检是因为不能很好的识别目标物体的特征信息，在行人检测领域中这些至关重要的特征信息通常会由于遮挡，肢体变形，光照变化等因素影响，组成的特征集中就包含了许多这样的非刚性产生的噪声。探索合适的行人特征是解决这个问题的核心所在，当然所选取的分类器算法也会影响到检测的效果。稳定的特征集是不管目标物体在什么状态下都能过很好地区分与其他物体的差别，由此推断诸如人体着装颜色以及纹理都不能成为一个稳定可靠的特征信息来源，所以在特征提取过程中要关注那些不容易变化的特征信息的，比如人体边缘轮廓信息以及身体各个部位之间的比例，这些都是受外界影响不大，都可以考虑选取其作为一个安全可靠的特征加以提取和分析，综上所述得出来的结论就是应该把我们有限的研究资源放在提取人体的轮廓信息上面，并且要充分提高这种提取特征的算法速度，实时性总是在评价着我们的算法的价值，这种特征是最稳定的不会随着10第三章基于二种方法称为基于多部位的方法口1 0J。直观上人体是由几大相互独立的部位衔接的，比如躯干，头以及胳膊等，该方法恰好就是从这种分割的角度出发，单独检测各个部位，每个部位之间都存在一定的联系，比如头部相对人体中心的距离，胳膊和腿之间的大小比例以及方向关系等，根据这些潜在的关系整合成最终的检测输出结果，可以利用贝叶斯概率估计或者先验知识。遮挡以及姿势变化在这种方法面前都可以被很好的克服，适合比较拥挤的场景中进行人流量统计。分割开的单独部位的定义和独立部位的检测结果的整合是这个算法最为关键的问题。第三种方法是基于多视角的方法81 9】。许多研究算法都是相互借鉴取长补短，这种方法也不例外的，人脸识别中分类器模型训练过程是将人脸样本的正面和侧面分开进行训练，采用这样训练的好处是可以提取更多的人脸信息提高检测效率，行人检测中多视角的方法正是采用这个相同思路的训练方法，研究人员分割不同视角下的行人样本，单独进行训练学习得到最后的分类器模型，生成的这种模型能够减小类间距离，增大本类与其他类之间的距离，提高检测率，并且在扫描窗口的时候可以降低需要扫描的窗口数，提高了检测的速度达到实时性要求。将行人检测分成这三个方法，是为了在介绍时更加有条理有顺序，使人一目了然，如果从学习算法角度上面考虑，当然也可以分成其他的几种方法，其实这些方法之间是相辅相成的，不是孤立存在的。用一个简单的例子说明下，多部位的检测方法中，对每个单独部位进行分类判别时候就是运用到基于特征的思想，当独立的部位以整体特征角度看待时，就利用了基于特征的方法来检测，最后将每个检测结果整合起来。基于多部位和基于整体特征的检测算法进行的有机的结合起来提高分类准确率，这种方法的确在有些文献当中可以见到的。还可以把多部位和多视角的方法结合起来，每个视角下部位分别训练，这种训练需要手工标注下，单独训练的分类器最后被级联起来，形成最终的强分类器模型，这训练过程需要花费一定的精力在最后的检测过程中也会显的有点笨重，虽然这样的方法能够提高检测效率，但是牺牲了时间。上述几个检测方法分别致力于解决之前所列举的六个难点：提取具有更强的描述能力的特征是为了解决外观，背景等造成的类间差异的影响，这是基于整体特征的方法。遮挡等问题的解决是依靠于多部位的检测方法的，利用贝叶斯数学基于机器学习的行人检测算法研究模型和先验概率知识进行最终检测结果的估计预测。最后多视角的方法，主要解决不同视角下行人外观的差异，这方法是将前两种方法中的优点有机的结合起来。下面，我们将分别对于这些方法介绍各自有影响力的算法，主要有特征提取算法和机器学习算法理论。22基于特征的方法221 算法大体思路是给出一组图片，将这组图片分为正负样本两类，并且附上标签，正样本是包含行人的图片，负样本是不包含行人的所有的其他图片，将这些图片裁剪到一定的大小，然后采用某种算法提取图片中的信息，这种算法必须尽可能满足能准确地提取到行人的信息而排出掉非行人的信息，从这些提取到的信息中寻找一些有代表性的信息，这些有代表性的信息就被称为分类器，而寻找这种有价值的信息的过程就是机器学习过程。这种行人检测思想出现无疑是一个重大的突破。汹t：b e图21三种小波模板；(a)竖直(b)水平(C)斜角三种小波模板在图片中滑动计算提取特征信息，这样产生了成千上万个特征数据，选取其中的一部分数据作为训练样本集输送到支持向量机中训练分类器模型。在描15000个负样本仅有1个判断错了的情况下的分类器，该分类器获得了816的检测率，在当时的计算机软硬都不发达以及较低的科研水平条件下，这样检测结果无疑是具有里程碑般的意义。以前的行人检测都是基于模板或者滤波的方法，种启蒙思想的产生促使了诸如行人检测的其他物体第三章基于信息科学技术的发展有巨大的推动作用。另一方面关于学习过程中样本集的选取，样本集的质量关乎着分类器的性能，会影响到最终的检测结果，一直是研究人员关注的焦点和难点，选什么样的样本组成训练集呢选取的数量如何呢，样本的选取是为了增大与正样本的类间距离，增大对目标物体的识别率。困难样本(在没有行人的图片中也就是所谓的负样本图片随机地选取一些样本作为初始训练的负样本，正负样本组成训练以后进行第一次训练学习得到一个分类器模型，接着选取一些负样本作为测试样本集通过所得到的分类器模型，将分错的负样本筛选出来组成一个新的训练集，在这个新的训练集上重新训练分类器，这样得到的分类器模型的性能会增强很多，这种方法也叫于机器学习中的训练样本集的训练方法，后的一些基于像素域的图片特征信息都是在他的启发之下获得的，比如行人检测领域著名的梯度方向直方图特征和关这些特征算法的思想将在接下来的章节中介绍。222 度方向直方图特征是求的图片中所有像素点的所有的