基于Adaboost算法的行人檢測方法研究.pdf

1、本文對基于集成學(xué)習(xí)的行人檢測問題進行了較為深入的研究。主要工作如下： 1.從樣本集歸一化和樣本權(quán)重更新兩個角度分析了各種權(quán)重更新方法對分類器性能的影響，提出了一種擴展的樣本權(quán)重更新方法，在保證樣本整體錯分率的情況下，能降低正樣本的錯分率。在此基礎(chǔ)上，又提出了一種閾值自適應(yīng)的權(quán)重更新方法，能根據(jù)實際需要調(diào)整正樣本或負樣本錯分率于預(yù)期的閾值之內(nèi)。 2.提出了兩類新特征：一類是符合低分辨率下行人姿態(tài)的三角特征；另一類是增加特征

2、描述完備性的復(fù)合特征。采用遞歸思想給出了三角特征的計算方法，同時又給出了一種新的計算矩形特征的方法。實驗結(jié)果表明：三角特征、復(fù)合特征或改變計算方法后的矩形特征，可以明顯減少強分類器所需的特征數(shù)目，大大提高檢測率，從而優(yōu)化強分類器結(jié)構(gòu)，提高分類器性能。 3.構(gòu)建了一個實驗視頻數(shù)據(jù)庫。該庫由多個真實場景下拍攝的 80 余段視頻組成，包括典型場景下的雨天、陰影、多紋理等多種情況，可為背景建模、目標檢測、跟蹤、軌跡聚類與分析等算法的驗證