CN101807260B - 变化场景下行人检测的方法 - Google Patents

Abstract

本发明公开了一种变化场景下行人检测的方法，包括以下步骤：利用第一场景的数据训练得到对应的级联分类器；获取场景变化后新得到的第二场景的少量样本数据辅助所述级联分类器进行优化，以使得优化的所述级联分类器适应于所述第二场景；以及利用优化的所述级联分类器对所述第二场景的行人进行检测。本发明能够实现快速、准确的变化场景下的行人检测。

Description

变化场景下行人检测的方法

技术领域

本发明属于智能交通系统领域，尤其涉及一种变化场景下行人检测的方法。

背景技术

在智能交通系统领域，行人检测的关键是快速、准确地检测行人，目前主要针对一个特定场景下的行人检测方法。由于行人检测的场景变化复杂，行人检测如何适应场景变化是智能交通系统领域的一个难题，所以变化场景自适应的行人检测方法具有一定的研究价值。

针对变化场景的行人检测，目前有两种方法可供使用：一是直接使用训练好的分类器，这种方法在场景变化较大时由于行人特征和姿态变化较大，检测效果一般很差。二是在新的场景下重新训练分类器，但由于重新训练代价太大而限制了它的使用。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结果，训练好的分类器参数已经确定，很难适应新场景的环境。

分类器的检测效果与分类器的参数是否适应该场景相关，因此目前需要提出一种能够快速、有效进行变化场景下行人检测的方法，以解决现有方法具有的检测效果与训练代价之间存在矛盾的问题。

发明内容

本发明的目的旨在至少解决现有技术中的上述问题之一。

为此，本发明的实施例提出一种实现快速、准确的变化场景下行人检测的方法。

根据本发明的一个方面，本发明实施例提出了一种变化场景下行人检测的方法，所述行人检测方法包括以下步骤：a)利用第一场景的数据训练得到对应的级联分类器；b)获取场景变化后新得到的第二场景的少量样本数据辅助所述级联分类器进行优化，以使得优化的所述级联分类器适应于所述第二场景；以及c)利用优化的所述级联分类器对所述第二场景的行人进行检测。

根据本发明进一步的实施例，所述步骤b包括：b1)计算所述级联分类器的初始均值向量和初始方差向量；b2)根据所述初始均值向量和所述初始方差向量通过正态分布随机生成预定数量的参数向量；b3)利用所述第二场景的少量样本数据作为辅助数据集对所述参数向量进行检测；以及b4)根据检测结果选择一个参数向量作为用于优化的所述级联分类器的最终检测向量。

根据本发明再一步的实施例，所述步骤b4包括：根据检测结果选择预定数量的参数向量；利用选择的所述预定数量参数向量获得下一次的参数向量用于所述步骤b3的检测；以及重复所述步骤b3到所述步骤b4，直至检测结果趋于稳定，并输出当前对应的参数向量为所述最终检测向量。

根据本发明进一步的实施例，所述步骤c和/或所述步骤b3利用二分检测算法或者三分检测算法进行检测。

根据本发明进一步的实施例，所述第二场景的少量样本数据分别为50～100个的正样本和负样本。

本发明在变化场景下通过利用少量新场景数据辅助旧场景分类器进行优化，以适用于新场景的行人检测。利用该优化的分类器在新场景下的行人检测具有检测率高、误报率低和检测速度快的优点，从而解决现有方法具有的检测效果与训练代价之间存在矛盾。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明变化场景下行人检测的方法的总体流程图；

图2为本发明一个实施例的变化场景下行人检测方法的具体步骤流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

参考图1，该图给出了本发明变化场景下行人检测的方法的总体流程。

如图所示，本发明的行人检测方法包括以下步骤：输入旧场景的数据(步骤102)，即当前场景下行人和其他非行人对应的数据。需要指出的是，这里的旧场景是相对后面的变化后的新场景提出的，可以是根据最早或最初的一个场景获得的数据。

然后，利用旧场景的数据进行样本训练(步骤104)，从而得到对应的级联分类器20。

这里，关于场景数据训练的级联分类器20的方法可以是任意合适的现有技术，本发明不限定具体的训练步骤。

在一个新的场景，即当前针对的行人检测的场景相对旧场景发生变化，则从该新场景下获取少量的数据(步骤106)。利用新场景的少量数据作为样本数据，以辅助之前旧场景下获得的级联分类器20进行优化调整(步骤108)。

在一个实施例中，选择的少量样本数据分别为50～100个的正样本和负样本。该数量范围是通过逐次实验后，根据对应的检测结果获得，利用在该数据范围内得到的级联分类器30进行样本检测，通常具有较好的检测结果。

这样，通过优化使得级联分类器20逐步适应于新场景，从而得到优化的场景分类器，即新场景级联分类器30。

最后，利用新场景级联分类器30对新场景的行人进行检测(步骤110)。

关于级联分类器20如何结合少量新场景数据进行调整优化，从而得到适用新场景的级联分类器30的具体步骤可以参考图2的实施例。

首先，对于旧场景对应的级联分类器20，假定旧场景级联分类器20包括l层，则计算每个样本每层的输入值，然后统计所有正负样本的均值和方差，得到初始均值向量和方差向量，记为α_i，β_i(步骤202)。其中初始均值向量μ₀＝(α₁，β₁，α₂，β₂，...，α_l，β_l)，即包括l层的级联分类器得到的结果，初始方差向量为σ₀。

然后，根据初始均值向量u₀和初始方差向量σ₀，利用正态分布N(μ_i，σ_i)随机生成预定数量的参数向量。这里随机生成的参数向量数量与选择的少量新场景数据对应，因此在上述实施例中，对于50～100个正、负样本的新场景数据，随机生成的参数向量的数量范围也可以在50～100之间。

在图2的实施例中，设定步骤204生成的参数向量为100个。相应地，从新场景数据中随机选取100个正样本(行人数据)和100个负样本(非行人数据)作为辅助数据集，以对随机生成的100个参数向量进行检测(步骤206)。

这里，可以利用例如二分检测算法或者三分检测算法对随机生成的参数向量进行检测。

在辅助数据集上检测这100个参数向量，并计算辅助数据集的检测F指标(F_measure)，即对应的检测率、误报率等参数。根据辅助数据集合对应的检测结果，选取预定数量的参数向量(步骤208)，以用于后续的参数向量迭代优化。

这里，步骤208中所选的参数向量对对应最大F指标的多个参数向量，个数为例如10～20个。这样，剔除到较差的参数向量，而选择具有较好检测F指标的参数向量用于获得下一次的参数向量，从而能够对旧场景的级联分类20进行优化。

在图2的实施例中，选择例F指标最大的10个及其对应的参数向量。

然后，对所选的这10个参数向量进行迭代，以生成新的参数向量(步骤210)，用于下一次的迭代。具体地，计算这10个参数向量的均值向量

和方差向量

，并根据下面的迭代公式计算下一次的参数向量：

${\mathrm{\μ}}_{i+1}=\mathrm{\λ}\×{\mathrm{\μ}}_i+(1-\mathrm{\λ})\×\stackrel{\‾}{{\mathrm{\μ}}_i}$ ${\mathrm{\σ}}_{i+1}=\mathrm{\λ}\×{\mathrm{\σ}}_i+(1-\mathrm{\λ})\×\stackrel{\‾}{{\mathrm{\σ}}_i},$

其中λ表示对应的迭代权重，λ的范围是0.5～0.9。

对于得到的新参数向量，判断其是否满足预定条件(步骤212)，例如检测率是否达到预定值，或者检测率是否趋于稳定，这里可以预先设置检测率或误报率趋于稳定时大概的迭代次数范围，该步骤中在满足迭代的次数时就可以停止迭代。

若是，则将参数向量作为最终参数向量u_n输出，u_n＝(α′₁，β′₁，α′₂，β′₂，…α′_l，β′_l，)从而用于新场景的行人检测。否则，返回步骤204，再利用步骤212得到的参数向量结合正态分布随机生成新的例如100个参数向量。并重复步骤204到步骤212，进行多次迭代调整，直至获得的新参数向量满足预定条件后停止。

在得到最终检测向量后，读入新场景数据，进而在利用优化得到的新场景分类器执行新场景下的行人检测，其中新场景分类器仍包括1层，其对应的检测向量u_n＝(α′₁，β′₁，α′₂，β′₂，…α′_l，β′_l，)。这里，例如仍二分检测算法或者三分检测算法进行新场景下的行人检测。

下面，给出了利用三分检测算法进行行人检测的步骤：

计算待检测对象的输出值Y_i，利用例如AdaBoost算法计算待检测对象以得到输出值，1)若Y_i小于参数β′_i，则输出结果为非行人；2)若Y_i大于参数α′_i，则输出结果为行人；以及3)若Y_i大于参数β′_i且小于参数α′_i，则进入下一层判断。其中，参数α′_i和β′_i是新场景级联分类器30的第i层正负样本的均值。

该方法提出上述三分检测框架，在每层可以同时排除行人或非行人对象，只有不确定的对象进入下一层。

对于二分检测算法，则仅利用上述步骤1)和步骤2)进行检测，这里不再赘述。需要指出的是，本发明不局限于上述具体实施例的检测方法，本领域任意合适的行人检测算法均可应用于本发明。

利用少量新场景数据来辅助旧场景分类器，通过迭代优化不断调整使其适应于新场景，并生成最终检测向量。因此，相比传统的分类器训练所需的几万甚至几十万个的大量训练样本，本发明可以显著降低获得较佳效果分类器的训练样本数量及相应的训练时间。并且，该方法在新场景下具有检测率高、误报率低以及检测速度快的优点。只考虑行人对象，理论上该方法的检测速度比传统方法快1.7倍。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同限定。

Claims (8)

1.一种变化场景下行人检测的方法，其特征在于，所述行人检测方法包括以下步骤：

a)利用第一场景的数据训练得到对应的级联分类器；

b)获取场景变化后新得到的第二场景的少量样本数据辅助所述级联分类器进行优化，以使得优化的所述级联分类器适应于所述第二场景；以及

c)利用优化的所述级联分类器对所述第二场景的行人进行检测。

2.如权利要求1所述的行人检测方法，其特征在于，所述步骤b包括：

b1)计算所述级联分类器的初始均值向量和初始方差向量；

b2)根据所述初始均值向量和所述初始方差向量通过正态分布随机生成预定数量的参数向量；

b3)利用所述第二场景的少量样本数据作为辅助数据集对所述参数向量进行检测；以及

b4)根据检测结果选择一个参数向量作为用于优化的所述级联分类器的最终检测向量。

3.如权利要求2所述的行人检测方法，其特征在于，所述步骤b4包括：

根据检测结果选择预定数量的参数向量；

利用选择的所述预定数量参数向量获得下一次的参数向量用于所述步骤b3的检测；以及

重复所述步骤b3到所述步骤b4，直至检测结果趋于稳定，并输出当前对应的参数向量为所述最终检测向量。

4.如权利要求3所述的行人检测方法，其特征在于，所述下一次的参数向量利用以下迭代公式计算获得：

${\mathrm{\μ}}_{i+1}=\mathrm{\λ}\×{\mathrm{\μ}}_i+(1-\mathrm{\λ})\×{\stackrel{\‾}{\mathrm{\μ}}}_i,$ ${\mathrm{\σ}}_{i+1}=\mathrm{\λ}\×{\mathrm{\σ}}_i+(1-\mathrm{\λ})\×{\stackrel{\‾}{\mathrm{\σ}}}_i$

其中u_i+1表示所述下一次的参数向量的均值向量，σ_i+1表示所述下一次的参数向量的方差向量，u_i表示所述步骤b4对应的所述参数向量的均值向量，σ_i表示所述步骤b4对应的所述参数向量的方差向量，

表示选择的所述预定数量参数向量对应的均值向量，

表示选择的所述预定数量参数向量对应的方差向量，λ表示迭代权重，

所述λ的范围是0.5～0.9之间。

5.如权利要求2所述的行人检测方法，其特征在于，所述步骤c和/或所述步骤b3利用二分检测算法或者三分检测算法进行检测。

6.如权利要求1-5其中任一项所述的行人检测方法，其特征在于，所述第二场景的少量样本数据分别为50～100个的正样本和负样本。

7.如权利要求6所述的行人检测方法，其特征在于，步骤b2随机生成的参数向量为50～100个。

8.如权利要求3或4所述的行人检测方法，其特征在于，所述步骤b4中选择的所述预定数量参数向量为10～20个。

Images