[发明专利]一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法

权利要求书

1.一种基于卷积神经网络特征的弱分类器Adaboost方法的车辆检测方法，其特征是用于主动辅助驾驶或无人驾驶车辆对环境中的车辆检测，首先建立一个较浅层的卷积神经网络来提取车辆特征，然后利用弱分类器Adaboost方法在卷积神经网络提取的特征空间中完成车辆检测，包括以下步骤：

1)利用训练样本建立一个卷积神经网络特征提取器，完成对车辆高维特征的提取；

2)利用卷积神经网络提取训练样本的特征向量建立一个弱分类器Adaboost决策分类器；

3)将测试样本添加到步骤1中训练的CNN模型中，得到测试样本所对应的特征向量，进入步骤2训练好的决策分类器中，最终得到检测结果。

2.根据权利要求1所述的一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法，其特征是步骤1)所建立的卷积神经网络特征提取器，具体为：

1.1)建立一个卷积神经网络模型，整个网络主要包括输入层、两个卷积层，两个下采样层、全连接层和输出层，利用样本训练该模型，使其具有较好的识别能力；

1.2)利用训练好的模型提取车辆的高维特征。将训练样本重新加入训练好的模型中，逐步进入图2所示的卷积层C1、下采样层S2、卷积层C3、和下采样层S4，之后将S4的输出作为CNN提取到的特征向量，完成车辆特征提取。

3.根据权利要求1所述的一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法，其特征是步骤2)，利用步骤1)提取的特征向量建立一个弱分类器Adaboost决策分类器，具体为：

2.1)利用卷积神经网络提取训练样本的特征向量后，根据弱分类器Adaboost算法找出每个特征向量所对应的最佳阈值，得到一个弱分类器；

2.2)计算每个弱分类器对样本集的分类错误率，进而得到本轮训练的最优弱分类器；

2.3)更新样本权值，经过T轮迭代，得到T个弱分类器；

2.4)将弱分类器融合得到一个最终的决策分类器。