基于隨機(jī)梯度提升決策樹的行人檢測(cè)算法設(shè)計(jì)與實(shí)現(xiàn).pdf

1、近年來，隨著人工智能和機(jī)器學(xué)習(xí)的快速發(fā)展，計(jì)算機(jī)視覺也進(jìn)入了發(fā)展的黃金時(shí)期，吸引了眾多學(xué)者以及企業(yè)的目光。行人檢測(cè)是計(jì)算機(jī)視覺中的重要課題之一，在智能視頻監(jiān)控和無(wú)人駕駛汽車等應(yīng)用領(lǐng)域都有著舉足輕重的地位。本文便著眼于行人檢測(cè)這一重要且極具挑戰(zhàn)的課題，行人檢測(cè)本質(zhì)上是個(gè)二分類問題，性能優(yōu)異的行人檢測(cè)算法既要有良好的分類算法也要有優(yōu)秀的特征。
　　本研究主要內(nèi)容包括：⑴在行人檢測(cè)領(lǐng)域中，已經(jīng)被經(jīng)常使用的分類算法有AdaBoost、支持

2、向量機(jī)以及卷積神經(jīng)網(wǎng)絡(luò)中的Softmax分類函數(shù)等。梯度提升決策樹(GBDT)是數(shù)據(jù)挖掘領(lǐng)域中性能非常出眾的分類算法，在個(gè)性化推薦、金融預(yù)測(cè)等方面都有著成功的應(yīng)用案例。然而，它目前還沒有被應(yīng)用于行人檢測(cè)的算法中，因此本文的第一個(gè)創(chuàng)新點(diǎn)是把梯度提升決策樹算法應(yīng)用于行人檢測(cè)中。本文設(shè)計(jì)了ACF/LDCF+GBDT算法，并在Inria、Caltech、Kitti幾個(gè)主流的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證實(shí)了梯度提升決策樹算法可以較好地適用于行人檢

3、測(cè)的研究中。⑵卷積神經(jīng)網(wǎng)絡(luò)所得到的特征是對(duì)輸入圖像更抽象、更高層次的表達(dá)，高層次表達(dá)可以提升輸入數(shù)據(jù)的區(qū)分度，我們采用一種優(yōu)秀的卷積神經(jīng)網(wǎng)絡(luò)特征來進(jìn)行行人檢測(cè)算法的設(shè)計(jì)。Faster R-CNN中的區(qū)域建議網(wǎng)絡(luò)(RPN)本身可以做為一個(gè)性能較好的行人檢測(cè)器，但后面的分類器降低了其應(yīng)有的性能?；诖吮疚奶岢隽说诙€(gè)創(chuàng)新點(diǎn)，先使用區(qū)域建議網(wǎng)絡(luò)進(jìn)行候選框的建議以及特征的提取，隨后使用Bootstrapping策略分多個(gè)階段采用梯度提升決策樹算

4、法進(jìn)行模型的訓(xùn)練，充分挖掘疑似行人的負(fù)樣本，并把這些樣本加入訓(xùn)練集中的負(fù)樣本里，從而逐步提升檢測(cè)器的性能。此外，為了加快訓(xùn)練速度及有效地避免過擬合現(xiàn)象，我們采用了隨機(jī)梯度提升的策略:每個(gè)階段隨機(jī)選取部分樣本、隨機(jī)選取部分特征用于決策樹的訓(xùn)練，即訓(xùn)練過程中我們采用了隨機(jī)梯度提升決策樹算法。⑶設(shè)計(jì)了基于隨機(jī)梯度提升決策樹與區(qū)域建議網(wǎng)絡(luò)的行人檢測(cè)算法，并在當(dāng)前流行的Caltech數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，經(jīng)過以上改進(jìn)后我們可得到一個(gè)性