[发明专利]基于自学习的行人检测方法

说明书

本发明公开了一种基于自学习的行人检测方法，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。本发明解决了传统的行人检测方法无法自适应特定场景的问题，对特定场景下的行人检测技术具有一定的推动作用，本发明在识别率方面，比传统行人检测方法有显著提高。

技术领域

本发明涉及智能交通领域下的行人检测方法，尤其涉及的是一种基于特定场景的自学习的行人检测方法。

背景技术

道路交通安全问题已经严重影响经济发展和社会建设，减少道路交通事故的发生和人员伤亡是关系民生问题的重要大事。道路交通安全问题受到行人、车辆、道路等多个因素的影响，由于行人是道路交通的主要参与者和弱势者，因此确保行人安全成为道路安全问题的关键，也是智能交通系统领域的一项重要任务。

行人检测方法是智能交通系统的核心支撑技术，对保障行人安全，减少人们生命财产流失具有深远的影响。在实际应用中，车载行人检测系统要求能适应不同场景的行人检测。目前，国内外研究者、汽车制造商都已经意识到行人检测系统应用的重大经济价值和研究意义，并已提出了明确开始开展汽车自动驾驶研究及应用，但还存在技术缺陷和安全隐患。

行人检测方法主要包括图像处理和机器学习两大类。其中，机器学习中的分类方法是目前采用较多的一种行人检测技术。基于分类的行人检测系统的核心技术是特征提取和分类器设计，它的基本思想是利用大量训练数据训练一个完备的分类器，然后对测试数据进行行人检测。基于分类的行人检测方法在固定场景下取得了成功应用，这种方式属于离线训练方式。如果训练集和测试集来源不同的场景，由于行人特征和姿态变化较大，加上场景的视觉、光照、背景和分辨率等不匹配因素，离线训练的分类器在新场景下分类性能将大大降低。对现有十几个行人分类器的实验结果表明，在INRIA数据集上训练好的分类器，直接用于其他不同场景下的行人检测，漏检率将提高20％到50％。因此，难以训练一个通用检测器适用所有行人场景。

针对特定场景的行人检测，可以重新训练分类器，但是重新标准样本带来的复杂代价是难以承受的。分类器需要大量的训练样本和训练时间才能保证在检测阶段取得良好的检测性能。另外，训练好的分类器参数已经确定，很难适应新场景的环境。因此，设计自适应场景的行人检测分类方法具有一定的研究和应用价值。

发明内容

发明目的：为了克服现有技术中存在的无法自适应特定任务的不足，提供一种基于自学习的行人检测方法，可以任何离线训练的行人分类器适应特定场景，并取得较好的识别率。

技术方案：为实现上述目的，本发明提供一种基于自学习的行人检测方法，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；

所述候选对象筛选：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；