一种基于混合分类器的ADAS行人检测方法技术

本发明专利技术公开了基于混合分类器的ADAS行人检测方法：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。本发明专利技术既具备svm分类器在行人检测中较高的精准度，又具备adaboost分类器良好的非线性问题解决能力，提升了行人检测的精准度。

Adas pedestrian detection method based on hybrid classifier

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：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。优选地，所述归一化因子k由下式得到：其中，为adaboost分类器的αTmax；为svm分类器的αTmax。优选地，所述权重w是根据svm分类器和adaboost分类器的精确率推导而出的比例，由下式得到：其中，为adaboost分类器的pTPR；为svm分类器的pTPR。优选地，所述多尺度检测包括以下步骤：S41，对样本进行hog特征的计算，hog特征的参数和训练时的hog参数一致；S42，对每一块完整的hog特征块进行svm分类器的分类，将置信度α>0的α记录在集合Sα1中，将置信度α>0的窗口记录在集合Sw中；S43，对图像按照长宽比例以1.1或1.2倍数缩小，继续进行S41，直到图像大小小于训练时的图片大小。优选地，所述S5包括以下步骤：S51，在得到的集合Sα1和Sw中，包含需要的行人信息和无用的干扰信息，重新遍历未经过剔除数据的集合Sw，用adaboost分类器对Sw中的窗口进行分类，将得到的置信度α记录在集合Sα2中；S52，定义Sw中的每一个窗口Sw[i]，对应于Sα1中的置信度为Sα1[i]，对应于Sα2中的置信度Sα2[i]；S53，根据以下条件判断Sw[i]窗口中是否有行人：当则不进行后续的计算，该窗口直接判断为具有行人信息的样本，指svm分类器的当则不进行后续的计算，该窗口直接判断为具有行人信息的样本，指adaboost分类器的当则不进行后续的计算，该窗口直接判断为不具有行人信息的样本，指adaboost分类器的S54，计算新的混合置信度αp，由下式：αp＝Sα1[i]*k*w+c*Sα2[i]其中，k为归一化因子，w为权重，c为adaboost分类器的权重值调节参数，默认为1，代表adaboost分类器的重要程度。优选地，所述S6通过新的置信度判定具有行人信息的窗口，具体为，如αp>αr*k*w，则对应的窗口Sw[i]中具有行人信息，反之则不具有行人信息。本专利技术的有益效果如下：通过将svm分类器和adaboost分类器混合，相比于在传统行人检测方法中，计算hog特征是时间消耗最大的一部分，分类过程的耗时仅占hog特征计算的十分之一，因此采用分类器混合的方式不仅不会额外产生过多的时间消耗代价，还有效地提升行人检测的精准度。附图说明图1为本专利技术实施例的基于混合分类器的ADAS行人检测方法的步骤流程图；图2为本专利技术实施例的基于混合分类器的ADAS行人检测方法中置信度坐标图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。相反，本专利技术涵盖任何由权利要求定义的在本专利技术的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本专利技术有更好的了解，在下文对本专利技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本专利技术。参见图1，为本专利技术实施例的本专利技术的技术方案为基于混合分类器的ADAS行人检测方法的步骤流程图，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。具体实施例中，S1中的样本可以采用INRIA行人数据库。数据库中的90*160分辨率的训练数据转化为64*128分辨率的训练数据，70*134分练率的测试数据转化为64*128分辨率的测试数据。本文档来自技高网...

【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