[发明专利]基于自学习的行人检测方法

权利要求书

1.基于自学习的行人检测方法，其特征在于：包括以下具体步骤：首先训练基于AdaBoost的级联分类器作为离线分类器，同时使用一组公开的行人照片训练高斯混合模型，特征编码采用HOG特征和位置信息，接着采用低阈值的离线分类器，对特定场景进行行人检测，并输出候选对象的置信分数，然后挑选高置信分数作为正样本，低置信分数作为负样本，并使用高斯混合模型重新表示候选检测对象，最后使用SVM分类器在线训练一个有判别力的行人分类器，对候选对象进行重新预测，输出概率估计；

上述步骤中所述离线分类器：训练数据来自任意行人数据集，特征提取采用LBP特征；

所述高斯混合模型：采用INRIA数据集离线训练高斯混合模型，高斯混合模型的参数采用EM算法学习，对每个行人样本，在多尺度图像上提取每个图像块的HOG特征及其位置信息，组成行人样本的一组特征向量；

候选对象筛选：设置离线分类器低阈值，利用离线分类器对特定场景进行行人检测，获取候选检测对象及其置信分数，设置两个阈值对所有候选对象进行筛选，获取正负样本集合；

在线分类器：对于每个行人样本，利用高斯混合模型重新生成新的特征表示，然后在线训练一个SVM分类器，最后利用SVM分类器对特定场景的候选对象进行重新检测，输出概率估计；

所述高斯混合模型包括特征编码和GMM训练两个部分，具体为：

特征编码：针对INRIA数据集中的每个行人图片，首先构建三层高斯金字塔，然后从每层图像金字塔中提取重叠图像块；假定每个行人图片包括N个图像块提取每个图像块的HOG特征hog_pi及其位置信息l_pi＝[x y]^T，最终每个图像块的特征编码为f_pi＝[hog_pi^T,l_pi^T]^T，所有图像块构成行人样本特征

GMM训练：一个离线训练的高斯混合模型表示为

其中，K为高斯混合组成的数量，I是单位矩阵，是第k个高斯组成的混合权重，是一个高斯分布，其均值是μ_k和方差是f是特征编码部分中的行人样本特征；

给定INRIA数据集中的一组行人样本特征χ＝{f₁,f₂,...,f_M}，利用EM算法学习最大化训练集特征的似然函数来学习GMM的参数Θ，表示为

EM算法将求解使用两个步骤交替计算，第一步期望(E)步用来计算对数似然的期望值，第二步最大化(M)步更新参数寻找最大化似然期望的参数值，具体如下：

E步：

其中，是第k个高斯组成生成特征f_i的后验概率；

M步：更新参数Θ

其中，m＝M-1，M为INRIA数据集中行人样本的数量。

2.根据权利要求1所述的基于自学习的行人检测方法，其特征在于：所述离线分类器采用OpenCV中的级联分类器进行训练，包括数据集准备和运行训练程序两个部分，其中数据集准备为训练数据：利用opencv_createsamples创建正样本集合，手工准备负样本图片；运行训练程序为训练级联分类器：设置特征类型为LBP，采用opencv_traincascade训练级联分类器。