[发明专利]一种基于二分查找的行人检测器训练方法及系统

说明书

本发明公开了一种基于二分查找的行人检测器训练方法及系统，该方法包括以下步骤：步骤1：构建样本训练集；步骤2：权重与决策桩桩号初始化；步骤3：构建有序特征值数组集合和伴随权重数组集合；步骤4：计算误差数组集合和极性数组集合；步骤5：获得最小误差数组；步骤6：利用最小误差数组中的最小误差，设置决策桩；步骤7：按照决策桩更新样本的权重，更新决策桩桩号；步骤8：判断决策桩桩号是否超过设定的最大桩号，若未超过，返回步骤3，否则，利用所有决策桩构建用于行人检测的检测器。使用变种二分查找获取最小误差数组，将查找操作的复杂度由O(n)降低为O(logn)，加快了行人检测器的训练速度，且保持检测器性能不降低。

技术领域

本发明属于计算机视觉目标检测技术领域，特别涉及一种基于二分查找的行人检测器训练方法及系统。

背景技术

行人检测任务从图像中检测出行人的包围盒，参见文献1，可作为包括步态识别、自动驾驶、服务机器人等任务的计算机视觉关键环节，广受学术界和工业界关注。AdaBoost方法组合多个决策桩构造强分类器，并且只要求决策桩比随机猜测的性能好。AdaBoost并不依赖于决策桩分类精度的任何先验知识,它自适应地根据精度确定决策桩的权重。理论分析和实验研究都表明AdaBoost的泛化能力很强，参见文献2。在手工设计特征和深度学习特征框架中，AdaBoost分类器在行人检测上都展现出了优越的性能，参见文献3和文献4。

AdaBoost分类器形式为：其中，x表示样本，h_t(x)是决策桩，α_t是h_t(x)的权重，T是分类器H包含的决策桩个数，为AdaBoost分类器的分类阈值。

训练通过贪婪地选择最优的决策桩h_t(x)和设置相应权重α_t来最小化损失函数。开始训练时，给每个训练样本x_i一个非负权重w_i。每次迭代训练后，AdaBoost方法自适应地降低正确分类样本的权重、提高错误分类样本的权重。每次迭代都在更新了样本权重的训练集上训练一个新决策桩。

训练AdaBoost分类器就是不断迭代训练决策桩直至训练误差达到指定值。决策桩由决策结点和两个保存结果的叶子结点构成。决策桩h_j由特征f_j、阈值θ_j、和极性p_j∈{-1，1}三个参数描述：h_j(x)＝p_jsign(f_j(x)-θ_j)，其中，x是以向量形式描述的样本，sign()是符号函数。

每次训练决策桩都是寻找在当前权重分布下的分类误差∈达到最小的决策桩。对样本权重归一化后，决策桩h的分类误差ε定义为：∑w_i＝1，其中，w_i是每个样本当前的权重，1_{x}是指示函数，自变量x为真时输出1，为假时输出0。

人们提出了很多方法来加快AdaBoost分类器的训练速度。这些方法大致可分为两类：一、基于特征和/或训练样本子采样的方法；二、提高决策桩训练速度的方法。前者如文献5和文献6，后者如文献7和文献8。因为样本集上特征值分布的随机性，现有方法使用顺序查找重复下述五个步骤训练各决策桩。

步骤G1：降低正确分类样本的权重，提高错误分类样本的权重；

步骤G2：对每个候选特征f_i，按特征值升序排序得到样本编号序列；

步骤G3：对每个候选特征f_i，依次以从小到大的特征值作为阈值，计算所有阈值对应的分类误差序列{ε_t}；将特征值小于等于某个阈值θ的样本分类为正样本，其他样本分类为负样本，可计算出分类误差。也可以相反，就有另一个分类误差。选择误差小的分类方式作为阈值θ的分类，决策桩定义中的极性p记录该选择。