一种用于行人检测的树状组合分类方法技术

一种应用于行人检测的动态生成树状组合分类器的方法包括：对读入的所有样本提取特征，生成特征向量；初始化树状组合分类器结构，使其为一棵只有一个根节点的树；判断树中是否存在可扩展的叶子节点；选择一个可扩展的叶子节点，作为待训练单分类器的父节点，并针对该待训练单分类器选择训练样本；使用ＡｄａＢｏｏｓｔ算法训练得到一个单分类器；判断训练得到的分类器是否满足可分裂条件，若不满足则把此单分类器加入到树中；把训练此单分类器的样本分为两份，重新训练，得到两个单分类器并加入到树中；构造组合分类器直到满足条件；利用得到的树状组合分类器对待检测目标分类得到检测结果。本发明专利技术降低了误报率、提高了检测率。

【技术实现步骤摘要】

本专利技术涉及一种智能交通概念下的行人检测系统，属于智能交通领域。
技术介绍
近年来，我国道路交通事故呈快速增长趋势，其中城市交通事故占据了主要部分。针对 城市交通中场景复杂、行人众多且易受伤害等特点，行人安全保护是城市交通安全的关键。 正因如此，车载行人检测系统(PDS: Pedestrian Detection System)己成为研究界和产业界极 为关注的关键技术。基于分类的行人检测方法是目前的主流技术。要求分类器需要同时满足以下3个条件 (1)不受样本不均衡影响；(2)准确率高；(3)分类速度快。而目前常用的几类分类器难 于同时满足以上要求。采用单分类器的方法。该类方法主要出现在PDS研究早期，被引入的 方法有径向基函数(Radial Basis Functions)、神经网络(Neural Networks)、模拟退火(Simulated Annealing )、支持向量机(Support Vector Machine)等。在应用这些算法时,大多是将行人 检测看成一种简单的2类划分问题，然后使用一个基于上述算法的单分类器来完成行人的分 类。但是，采用单分类器的方法检测率低，误报率高，检测速度低，多场景适应性差。采用 简单串联组合分类器的方法。这种组织方式将多个单分类器从上到下链状排列,待检测目标只 有通过上一个分类器的"认可"才能被下一个分类器检测,当且仅当一个目标被所有单分类器 "认可"才被确认为行人。这种方法可以减少误报，并且速度也较快；但是仍需进一步降低漏报 率才能满足实用。采用简单并联组合。这种分类器组合方法较少，它将所有单分类器都放在 同一层，根据它们的检测结果综合判定，此方式的优点在于检测率较高，但也存在误报率相 对较高、速度较慢的不足。
技术实现思路
本专利技术针对行人检测系统中样本不均衡问题和检测速度问题，遵照分而治之、逐步求精 原理，提出一种动态生成树状组合分类器的方法，树中的每一个节点代表一个单分类器，得 到的组合分类器不仅具有快速的分类速度，而且由于它的树状结构降低了误报率、提高了检 测率。为了实现上述目的，本发朋提供一种应用于行人检测的动态生成树状组合分类器的方法，包括(1) 读入训练样本，(l)读入训练样本，训练样本包含有一个完整行人的正样本和形 似行人物体的负样本，其中负样本数量远大于正样本数量；(2) 对(1)读入的所有样本提取特征，生成特征向量；(3) 初始化树状组合分类器结构为一棵只有一个根节点的树，其中根节点为一个永真的 单分类器，即对任意输入的分类结果都为True;(4) 判断树中是否存在可扩展的叶子节点，若不存在则表示组合分类器训练完毕，转步 骤(10)，其中，可把从根到叶子的路径看作为一个串联组合分类器，若其误报率不能满足要求，则表示还需要在此叶子后添加节点(单分类器)，并认为此叶子是可扩展的；(5) 选择一个可扩展的叶子节点，作为待训练单分类器的父节点，并针对待训练单分类 器选择训练样本；(6) 使用AdaBoost算法训练得到一个单分类器；(7) 判断由步骤(6)训练得到的分类器是否满足可分裂条件，若满足则把此单分类器加 入到树中，转步骤(4)，其中单分类器的可分裂条件是，包含的弱分类器的个数是否大于指 定阈值。(8) 把训练此单分类器的样本分为两份，重新训练，得到两个单分类器并加入到树中；(9) 转步骤(4)继续构造组合分类器直到满足结束条件；(10) 利用以上步骤所得到的树状组合分类器对待检测目标分类，得到最终的检测结果。 本专利技术与现有技术相比的优点在于-(1) 本专利技术提出动态生成树状组合分类器方法解决了行人检测系统中样本不均衡问题。 在树状层次结构中，位于下层的单分类器选择被上层错分的负样本，从而有效的解决了样本 不均衡问题。(2) 由于树状组合分类器的"早拒绝"的原则，大多数负样本只需要被树的高层结点处的 少数几个单分类器判断后，即被拒绝；而且，树的高层处的AdaBoost分类器含有较少弱分类 器，下层的单分类器含有较多的弱分类器，因而这样的树状结构相对并联结构可以极大地提 高检测速度。(3) 本专利技术的树状组合分类器能够自动根据弱分类器的个数，得到分类难度。当分类难 度较高时，自适应地把原始分类问题一分为二，降低分类难度，提高了分类器的准确率。 附图说明图1为本专利技术的组合分类器构造过程的流程图； 图2为本专利技术使用的Haar—like特征；图3为本专利技术组合分类器的结构示意图。 具体实施例方式本专利技术提出一种树状组合分类器方法。设计思想是遵照分而治之、逐步求精的原理。一方面，按照这一背景下正负对象的不均衡性(在一般场景下，每帧中包含20000个对象，其中行人仅占2%)，应用逐步求精原理，遵照"早拒绝"的原则保证分类的速度和低误报率； 另一方面，应用分而治之的思想，把行人进一步细分为小类，把复杂的分类问题分为多个简 单的子问题，从而提高分类的准确性。组合分类器的结构是一棵树，树中每一结点是一个单分类器，单分类器使用AdaBoost方 法训练得到。在这棵树中，位于上层位置的单分类器，能够粗略地区分行人和非行人；位于下层的两个单分类器根据行人特征把行人细分为两类，每个单分类器能够较为精细(准确) 地区分每小类的行人和非行人。对于一个待检测目标，若在树中存在一条从根到叶子的路径，此路径上所有单分类器都判断其为True，则被判断为True (是行人)，否则判断为False (不是行人)；因此，它将具 有串联组合分类器的优点低误报率。同时，它的下层单分类器把行人细分为较小的类，降 低了子类间的差异度，从而保证单分类器具有高的识别率，所以这样的树状组合分类器将具 有较高的检测率并能适应不同的场景。在检测时，树的每一层分类器都能拒绝掉一部分负样 本，这样下层分类器只需要检测剩下的负样本，大多数负样本只需要被树的高层结点处的少 数几个单分类器判断后，即被拒绝；而且，树的高层处的AdaBoost分类器含有较少弱分类器，下层的单分类器含有较多的弱分类器，因而这样的树状结构相对并联结构可以极大地提高检 测速度。本专利技术具体的实现过程如图l所示，包括(1) 读入训练样本，包括正样本和负样本，其中负样本数量远大于正样本数量，正样本 与负样本数量之比约为l: 100。本实施例选用正样本为2000个，负样本为ioooooo个。在本专利技术中，正样本包含有一个完整的行人，负样本包含形似行人的物体，如树、路障 等，且每个样本均缩放为统一规格16象素x32象素。在基于分类方法的行人检测系统中，行人的数量远少于非行人(例如树，障碍物等背景 物体)的数量。因此为了降低分类器的误报率(把非行人误判为行人)，训练样本必须要包 括能涵盖各种背景目标的大量负样本。故在本专利技术中，正样本由手工标记方法从视频中剪辑 得到，而负样本从不含行人的视频中随机截取得到。(2) 对读入的所有样本提取特征，生成特征向量;对所有的读入样本，提取样本中包含的行人特征。所述的行人特征既可能是图像上每个象素点的亮度值，也可能是经过某一特征提取器提取的特征，如形状特征、纹理特征、Haar-like 特征。提取行人特征时，具体使用何种特征可根据实际情况而定，在本实例中，以Haar-like 特征提取为例，说明行人特征提取本文档来自技高网...

【技术保护点】
一种应用于行人检测的动态生成树状组合分类器的方法，其特征在于：（１）读入训练样本，训练样本包含有一个完整行人的正样本和形似行人的物体负样本，其中负样本数量远大于正样本数量；（２）对步骤（１）读入的所有样本提取特征，生成特征向量；（３）初始化树状组合分类器结构，使其为一棵只有一个根节点的树，其中根节点为一个永真的单分类器，即对任意输入向量的分类结果均为Ｔｒｕｅ；（４）判断树中是否存在可扩展的叶子节点，若不存在则表示组合分类器训练完毕，转步骤（１０）；（５）选择一个可扩展的叶子节点，作为待训练单分类器的父节点，并针对该待训练单分类器选择训练样本；（６）使用ＡｄａＢｏｏｓｔ算法训练得到一个单分类器；（７）判断由步骤（６）训练得到的分类器是否满足可分裂条件，若满足则把此单分类器加入到树中，转步骤（４）；（８）把训练此单分类器的样本分为两份，重新训练，得到两个单分类器并加入到树中；（９）转步骤（４）继续构造组合分类器直到满足结束条件；（１０）利用以上步骤所得到的树状组合分类器对待检测目标分类，得到最终的检测结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：曹先彬，许言午，郭圆平，魏闯先，嘉晓岚，吴培，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：34[中国|安徽]