[发明专利]基于自学习的行人检测方法

摘要

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。

主权项

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；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；所述在线分类器：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。