[发明专利]一种基于AdaBoost分类器的行人检测模型训练方法

权利要求书

1.一种基于AdaBoost分类器的行人检测模型训练方法，其特征在于：首先通过已知的标准行人数据集确定初始正负样本训练集及正负样本的权重,然后在AdaBoost训练过程中实时统计训练集中样本权重值的和，当训练集发生明显的权重退化时，用当前已经训练好的弱分类器组去滑窗扫描检测原始数据集中的非行人图像，并将误检窗口图像作为困难样本添加到负样本训练集中,然后通过随机抽样剔除部分负样本；最后减小退化程度阈值，降低训练集更新频率，继续AdaBoost训练过程，直至最终得到行人检测模型。

2.根据权利要求1所述基于AdaBoost分类器的行人检测模型训练方法，其特征在于，具体包括如下步骤：

1)确定初始正负样本训练集：

首先，选择一个行人检测标准数据集，其中包括包含行人的正样本图像和不包含行人的负样本图像；根据所述数据集的注释文件，从正样本图像中框图获取64*128的行人图像并进行镜面处理后提取图像积分通道特征，构成了正样本训练集其中N=2416，负样本图像中框图获取无数64*128的非行人图像，并将其看作海量负样本原始数据集S∞-={(x1,-1),···,(xNω-,-1)},(N∞-→∞),]]>再通过在每幅负样本图像上随机框取固定数量的非行人图像，从S^-中获取初始负样本训练集其中N^-=20,000；因此，初始训练集为S=S+∪S0-={(x1,y1),···,(xN,yN)},]]>其中N=N⁺+N^-；

2)初始化正负样本训练集的权重为：

ω={ω1,ω2,···,ωN}=ω+={ωi+|ωi+=1/2N+,i=1,2,···,N+}ω-={ωi-|ωi-=1/2N-,i=1,2,···,N-}]]>

其中和分别代表正样本和负样本的权重；

3)初始化困难样本添加上限设置权值退化程度阈值的初始值τ=0.1；

4)设AdaBoost弱分类器数为T=2048，初始化t=0；

5)t=t+1，当t>T时转到步骤13)；

6)根据弱分类器训练方法，基于步骤1）和步骤2）得到的训练集S和其权重集ω，训练获得第t个弱分类器h_t(x)∈{-1,1}；

7)统计弱分类器在样本中的分类错误率则该弱分类器h_t(x)的权重为α_t=log((1-err_t)err_t)；

8)更新样本权重ω_n=ω_nexp(α_th_t(x_n))，并计算负样本权重和losst=Σωn∈ωyn=-1ωn;]]>

9)如果loss_t>τ，则训练集S保持不变，跳转至步骤5)；否则，令τ=τ/10，继续如下步骤；

10)将已经训练好的t个弱分类器作为当前分类器在原始负样本图像上，运用当前分类器H_t(x)扫描N^FP个误检滑窗FP（False Positives），提取积分通道特征后添加到负样本训练集S^-中，其中其中为困难样本添加上限；

11)从负样本训练集S^-中随机剔除一部分负样本，使得最终负样本数目为

12)更新负样本训练集S^-中新添加的困难样本的权重ω_n=exp(H_t(x_n))2N^-，其中(x_n,y_n)∈FP，然后跳转至步骤5)；

13)得到最终分类模型H(x)=sign(Σt=1Tαtht(x)).]]>