The invention discloses ADAS pedestrian detection method based on hybrid classifier: S1, prepare positive samples with pedestrian information and negative samples without pedestrian information, which are divided into training samples and test samples; S2, calculate the hog characteristics of samples, select appropriate hog characteristics according to the training samples, train SVM classifier and AdaBoost classifier to get the required indicators; S3, classify SVM through indicators As the main classifier, it calculates the normalization factor and weight; S4, it uses SVM classifier to carry out multi-scale detection on samples, and obtains the window with pedestrian information of approximate rate; S5, it uses AdaBoost classifier to recalculate the window with pedestrian information of approximate rate, and combines the confidence degree of the two in proportion to obtain the new confidence degree; S6, it uses the new confidence degree to determine the window with row The window of human information. The invention not only has high accuracy of SVM classifier in pedestrian detection, but also has good non-linear problem solving ability of AdaBoost classifier, which improves the accuracy of pedestrian detection.
【技术实现步骤摘要】
一种基于混合分类器的ADAS行人检测方法
本专利技术涉及机器视觉领域,尤其涉及一种基于混合分类器的ADAS行人检测方法。
技术介绍
行人检测一直是计算机视觉研究中的难点,属于典型的目标检测问题。现有的运用最为广泛的hog特征值加上svm分类器的行人检测方法在行人检测中拥有较高的精准度,但是在对于行人检测中的一些非线性问题不能很好的解决,adaboost擅长解决非线性问题但是对于明显的线性问题却没有svm那样好的效果,如果能够混合svm,adaboost两分类器,那就能比较好的解决svm分类器在非线性上的问题。
技术实现思路
本专利技术实施例提供了一种基于混合分类器的ADAS行人检测方法,既有较高的行人检测精准度,又能良好解决非线性问题。为了解决上述技术问题,本专利技术实施例提供的一种基于混合分类器的ADAS行人检测方法,包括以下步骤:S1,准备具有行人信息的正样本和不具行人信息的负样本,分为训练样本和测试样本;S2,计算样本的hog特征,根据训练样本的选择合适的hog特征,训练svm分类器和adaboost分类器得到所需指标;S3,通过指标将svm分类器作为主分类器,计算归一化因子和权重;S4,使用svm分类器对样本进行多尺度检测,得到大概率具有行人信息的窗口;S5,使用adaboost分类器对大概率具有行人信息的窗口进行重新计算,将两者的置信度按比例组合得到新的置信度;S6,通过新的置信度判定具有行人信息的窗口。优选地,所述指标包括 ...
【技术保护点】
1.一种基于混合分类器的ADAS行人检测方法,其特征在于,包括以下步骤:/nS1,准备具有行人信息的正样本和不具行人信息的负样本,分为训练样本和测试样本;/nS2,计算样本的hog特征,根据训练样本的选择合适的hog特征,训练svm分类器和adaboost分类器得到所需指标;/nS3,通过指标将svm分类器作为主分类器,计算归一化因子和权重;/nS4,使用svm分类器对样本进行多尺度检测,得到大概率具有行人信息的窗口;/nS5,使用adaboost分类器对大概率具有行人信息的窗口进行重新计算,将两者的置信度按比例组合得到新的置信度;/nS6,通过新的置信度判定具有行人信息的窗口。/n
【技术特征摘要】
1.一种基于混合分类器的ADAS行人检测方法,其特征在于,包括以下步骤:
S1,准备具有行人信息的正样本和不具行人信息的负样本,分为训练样本和测试样本;
S2,计算样本的hog特征,根据训练样本的选择合适的hog特征,训练svm分类器和adaboost分类器得到所需指标;
S3,通过指标将svm分类器作为主分类器,计算归一化因子和权重;
S4,使用svm分类器对样本进行多尺度检测,得到大概率具有行人信息的窗口;
S5,使用adaboost分类器对大概率具有行人信息的窗口进行重新计算,将两者的置信度按比例组合得到新的置信度;
S6,通过新的置信度判定具有行人信息的窗口。
2.根据权利要求1所述的方法,其特征在于,所述指标包括:
pTPR:truepositiverate,实际上是正样本,被判断为正样本的概率;
pFPR:falsepositiverate,实际上是负样本,被判断为正样本的概率;
pTNR:truenegativerate,实际上是负样本,被判断为负样本的概率;
pFNR:falsenegativerate,实际上是正样本,被判断为负样本的概率;
上述pTPR,pFPR,pTNR,pFNR是以置信度α=0为依据时测试得到,即置信度α>0判断为正样本,α<0判断为负样本;
调整置信度,直到pTPR>=99%,小于0,某样本计算得到的则该样本断定为负样本;
调整置信度,直到pTNR>=99%,大于0,某样本计算得到的则该样本断定为正样本;
αTmax:所有正样本的置信度构成一个直方图,αTmax表示正样本数量峰值时的置信度,在有多个峰值的情况下,亦可用正样本中值代替;
αFmax:所有负样本的置信度构成一个直方图,αFmax表示负样本数量峰值时的置信度,在有多个峰值的情况下,亦可用负样本中值代替;
αr:属于置信度指标,对最终测试样本区分是否有行人信息。
3.根据权利要求2所述的方法,其特征在于,所述归一化因子k由下式得到:
其中,为adaboost分类器的αTm...
【专利技术属性】
技术研发人员:黄继业,吴彬聪,李竹,盛庆华,李文钧,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。