【技术实现步骤摘要】
一种基于二分查找的行人检测器训练方法及系统
本专利技术属于计算机视觉目标检测
，特别涉及一种基于二分查找的行人检测器训练方法及系统。
技术介绍
行人检测任务从图像中检测出行人的包围盒，参见文献1，可作为包括步态识别、自动驾驶、服务机器人等任务的计算机视觉关键环节，广受学术界和工业界关注。AdaBoost方法组合多个决策桩构造强分类器，并且只要求决策桩比随机猜测的性能好。AdaBoost并不依赖于决策桩分类精度的任何先验知识,它自适应地根据精度确定决策桩的权重。理论分析和实验研究都表明AdaBoost的泛化能力很强，参见文献2。在手工设计特征和深度学习特征框架中，AdaBoost分类器在行人检测上都展现出了优越的性能，参见文献3和文献4。AdaBoost分类器形式为：其中，x表示样本，ht(x)是决策桩，αt是ht(x)的权重，T是分类器H包含的决策桩个数，为AdaBoost分类器的分类阈值。训练通过贪婪地选择最优的决策桩ht(x)和设置相应权重αt来最小化损失函数。开始训练时，给每个训练样本xi一个非负...
【技术保护点】
1.一种基于二分查找的行人检测器训练方法，其特征在于，包括以下步骤：/n步骤1：以图像样本的局部图像特征和对应的类别标签，作为样本训练集；/n步骤2：对样本训练集中的每个样本的权重进行初始设置，且初始化用于行人检测的决策桩序号；/n步骤3：对权重进行归一化处理，并构建有序特征值数组集合和伴随权重数组集合；/n对样本训练集中每个样本的相同特征的特征值进行升序排列，获取有序特征值数组集合；同时，对每个特征值对应的权重按照特征值的排序进行重排，获得与有序特征值数组集合对应的伴随权重数组集合；/n步骤4：计算误差数组集合和极性数组集合；/n依次以每个有序特征值数组中的每个元素为阈值...
【技术特征摘要】
1.一种基于二分查找的行人检测器训练方法，其特征在于，包括以下步骤：
步骤1：以图像样本的局部图像特征和对应的类别标签，作为样本训练集；
步骤2：对样本训练集中的每个样本的权重进行初始设置，且初始化用于行人检测的决策桩序号；
步骤3：对权重进行归一化处理，并构建有序特征值数组集合和伴随权重数组集合；
对样本训练集中每个样本的相同特征的特征值进行升序排列，获取有序特征值数组集合；同时，对每个特征值对应的权重按照特征值的排序进行重排，获得与有序特征值数组集合对应的伴随权重数组集合；
步骤4：计算误差数组集合和极性数组集合；
依次以每个有序特征值数组中的每个元素为阈值，对样本训练集中的每个样本进行分类，使用与有序特征值数组对应的伴随权重数组中权重元素计算分类误差，得到误差数组集合；同时，以误差数组中每个误差元素的极性值，构建对应的极性数组，得到极性数组集合；
步骤5：对误差数组集合中每个误差数组进行变种二分查找最小误差，获得最小误差数组，并以最小误差所在的误差数组的下标构成下标数组；
步骤6：利用最小误差数组中的最小误差，设置决策桩；
步骤7：按照决策桩更新样本训练集中每个样本的权重，同时，更新决策桩桩号；
步骤8：判断决策桩桩号是否超过设定的最大桩号，若未超过，返回步骤3，否则，利用所有的决策桩，构建用于行人检测的检测器。
2.根据权利要求1所述的方法，其特征在于，所述对误差数组集合中每个误差数组进行变种二分查找最小误差的具体过程如下：
步骤B1：令N＝n，n表示样本总数；
步骤B2：设定l＝2,r＝N-1,m＝(r+l)/2，l、r以及m均表示中间变量；
步骤B3：如果l≥r，跳转到步骤B8；
步骤B4：如果ei,l≥ei,m，跳转到步骤B6；
步骤B5：若ei,l<ei,r，r＝m-1，否则l＝m-1；跳转到步骤B7；
步骤B6：l＝l+(m-l)/2，r＝m+(r-m)/2；
步骤B7：m＝(r+l)/2；
步骤B8：输出ei,l及下标(i,l)，获得每个误差数组中的最小误差和对应的数组下标；其中，ei,l、ei,m以及ei,r分别表示第i个误差数组中的第l、m、r个误差元素。
3.根据权利要求1所述的方法，其特征在于，所述决策桩按照以下方式设置：
令决策桩对应的特征维度序号μt＝m1，决策桩分类误差εt＝mine，决策桩极性ρt＝pm1,m2，决策桩阈值θt＝om1,m2，决策桩为
其中，mine为最小误差数组中的最小误差，(m1,m2)为mine在下标数组中的对应下标，pm1,m2和om1,m2分别是极性数组集合和有序特征值数组集合中第m1个数组中的第m2个元素，表示样本训练集中的样本x的第μt维特征，t...
【专利技术属性】
技术研发人员：傅红普，刘晴，
申请(专利权)人：中南大学，湖南第一师范学院，
类型：发明
国别省市：湖南;43
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。