[发明专利]一种针对行人检测的优化SSD方法

权利要求书

1.一种针对行人检测的优化SSD方法，其特征在于：具体内容如下：利用行人检测训练数据中的每一个样本进行训练，并给每个样本分配一个系数，这些系数构成了向量D，初始时刻，这些系数都初始化成相等值，首先在训练数据上训练出一个弱分类器并计算该分类器的错误率，然后在同一数据集上再次训练弱分类器，在分类器的第二次训练中，重新调整每个样本的系数，其中第一次分类正确的样本对应系数降低，而第一次分类错误的样本对应系数提高，为了从所有弱分类器中得到最终的分类器，为每一个分类器都分配了一个权重值α，α的值是基于每个弱分类器的错误率进行计算得到的，假设错误分类的样本数目为w，总的样本数目为y，则错误率ε的定义为：

而α的计算公式如下：

计算出α值之后，对系数向量D进行更新，系数向量D的计算方法如下：

如果样本被正确分类，那么该样本的权重更改为：

而如果样本被错分，那么该样本的权重更改为：

在计算出系数向量D之后，又进入下一轮迭代，每一次迭代分离中需要损失函数，采用加法模型计算损失函数，迭代完成之后更新系数向量D，不断地重复训练和调整权重的过程，直到训练错误率为0或者弱分类器的数目达到指定值为止。

2.根据权利要求1所述的一种针对行人检测的优化SSD方法，其特征在于：所述的采用加法模型计算损失函数具体如下：

加法模型

其中，b(x；γ_m)代表基函数；γ_m代表基函数的变量；β_m代表基函数的系数，在训练数据和损失函数L(y,f(x))确定的情况下，训练加法模型用公式表示为：

利用分步计算的方法简化求解过程，即每一步仅学习一个基函数和对应系数：

逐渐累计、不断接近原始的损失函数。

3.根据权利要求2所述的一种针对行人检测的优化SSD方法，其特征在于：具体的加法模型流程如下：

(1)输入：

训练样本集合T＝{(x₁,y₁),(x₂,y₂)...(x_N,y_N)}；

基函数集合{b(x；γ)}；

损失函数L(y,f(x))；

(2)输出：加法模型f(x)；

(3)算法流程：

初始化f₀(x)＝0，令m分别取值1,2,3...M，求解损失函数：

得到变量β_m和γ_m的值，

更新模型：

f_m(x)＝f_m-1(x)+β_mb(x；γ_m)

得到最终的加法模型：

证明过程如下：

假定通过m-1轮的循环，得到f_m-1(x)：

f_m-1(x)＝f_m-2(x)+α_m-1G_m-1(x)＝α₁G₁(x)+...+α_m-1G_m-1(x)

最后一轮迭代得到α_m、G_m(x)以及f_m(x)，利用α_m，G_m(x)使得最终模型在训练样本集合中的损失函数最小，如下式：

令则上述公式可变换为：

参数α和参数G不影响因此与最小化损失函数无关，而与f_m-1(x)有关联，因此每次循环都会产生变化；

(4)基础分类器：

求解分类器G^*(x)，对于任意α＞0，依据以下公式可以求得最小的G(x)：

其中，

(5)计算权重：

将带入上式当中，求导可得到

(6)分类错误率：

计算分类错误率为：

(7)更新权值：

根据模型f_m(x)＝f_m-1(x)+α_mG_m(x)以及权重计算得到：

两个公式做除法，得到从而计算出