基于隨機梯度提升決策樹的行人檢測算法設計與實現(xiàn).pdf

1、近年來，隨著人工智能和機器學習的快速發(fā)展，計算機視覺也進入了發(fā)展的黃金時期，吸引了眾多學者以及企業(yè)的目光。行人檢測是計算機視覺中的重要課題之一，在智能視頻監(jiān)控和無人駕駛汽車等應用領域都有著舉足輕重的地位。本文便著眼于行人檢測這一重要且極具挑戰(zhàn)的課題，行人檢測本質上是個二分類問題，性能優(yōu)異的行人檢測算法既要有良好的分類算法也要有優(yōu)秀的特征。
　　本研究主要內容包括：⑴在行人檢測領域中，已經被經常使用的分類算法有AdaBoost、支持

2、向量機以及卷積神經網絡中的Softmax分類函數(shù)等。梯度提升決策樹(GBDT)是數(shù)據挖掘領域中性能非常出眾的分類算法，在個性化推薦、金融預測等方面都有著成功的應用案例。然而，它目前還沒有被應用于行人檢測的算法中，因此本文的第一個創(chuàng)新點是把梯度提升決策樹算法應用于行人檢測中。本文設計了ACF/LDCF+GBDT算法，并在Inria、Caltech、Kitti幾個主流的數(shù)據集上進行實驗，實驗結果證實了梯度提升決策樹算法可以較好地適用于行人檢

3、測的研究中。⑵卷積神經網絡所得到的特征是對輸入圖像更抽象、更高層次的表達，高層次表達可以提升輸入數(shù)據的區(qū)分度，我們采用一種優(yōu)秀的卷積神經網絡特征來進行行人檢測算法的設計。Faster R-CNN中的區(qū)域建議網絡(RPN)本身可以做為一個性能較好的行人檢測器，但后面的分類器降低了其應有的性能?；诖吮疚奶岢隽说诙€創(chuàng)新點，先使用區(qū)域建議網絡進行候選框的建議以及特征的提取，隨后使用Bootstrapping策略分多個階段采用梯度提升決策樹算

4、法進行模型的訓練，充分挖掘疑似行人的負樣本，并把這些樣本加入訓練集中的負樣本里，從而逐步提升檢測器的性能。此外，為了加快訓練速度及有效地避免過擬合現(xiàn)象，我們采用了隨機梯度提升的策略:每個階段隨機選取部分樣本、隨機選取部分特征用于決策樹的訓練，即訓練過程中我們采用了隨機梯度提升決策樹算法。⑶設計了基于隨機梯度提升決策樹與區(qū)域建議網絡的行人檢測算法，并在當前流行的Caltech數(shù)據集上進行了實驗。實驗結果表明，經過以上改進后我們可得到一個性