[发明专利]一种针对行人检测的优化SSD方法

说明书

本发明公开了一种针对行人检测的优化SSD算法。本专利提出的行人检测算法，在SSD物体检测算法的基础上，引入交通场景下行人的先验信息并调整神经网络的连接方式，可有效缓解SSD算法对于小目标的漏检问题。算法首先利用调整后的网络得到初步的行人位置信息与行人特征信息，之后采用AdaBoost(adaptive boosting)决策森林算法对行人框做进一步的分类，增强算法对难分辨样例的判别能力。所提出的算法在检测速度上有着一定的优势。

技术领域

本发明涉及行人检测技术领域，尤其涉及一种针对行人检测的优化SSD方法。

背景技术

行人检测在自动驾驶、视频监控、智能机器人等众多领域有着广阔的应用前景，从图像数据中准确、快速的检测行人是保证行人安全、维护社会稳定、为人类提供更高级服务的基础保障。

行人属于非刚体目标，存在光照变化、行人姿态变化、尺寸变化、部分遮挡和复杂背景等问题，检测难度大。近十年来出现的行人检测算法主要分为三类，基于可变形组件模型(DPM)及其变种、深度神经网络(DN)模型，决策森林(DF)模型。

通过总结近年来的算法发现，提高检测质量主要有三种途径，表达能力更丰富的特征、更多的数据以及上下文信息，其中最流行的方法是从输入图像中，提取更丰富的特征，多种特征类型已应用于行人检测，包括边特征、颜色特征、纹理特征、局部形状特征、协方差特征等。卷积网络在自动提取特征方面有着先天优势，多个基于卷积网络的检测算法陆续出现，其中存在的问题是，这些算法在检测质量和检测速度之间，无法平衡。物体检测领域的SSD算法，在通用物体检测任务中，检测质量和速度上都表现优异，但是在行人检测任务上表现不佳。

发明内容

本发明目的就是为了弥补已有技术的缺陷，提供一种针对行人检测的优化SSD方法。

本发明是通过以下技术方案实现的：

一种针对行人检测的优化SSD方法，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。

算法的加法模型：

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。训练数据和损失函数L(y,f(x))确定的情况下，训练加法模型转换为经验风险最小化问题，用公式可表示为：