CN105243356A - 一种建立行人检测模型的方法及装置及行人检测方法 - Google Patents

Abstract

本发明提供一种建立行人检测模型的方法及行人检测方法，建立行人检测模型的方法构建了多任务基本决策树，所述多任务基本决策树的层数与训练样本的遮挡程度分类数量一致，每个节点包括一个基本决策树，这样，通过在每个输入节点输入特征值，可以获得一个多任务基本决策树的输出，然后可以得到每种输入下的分类误差值，分类误差值最小的则是最优的多任务基本决策树，通过使用多任务基本决策树，将训练样本的不同分类情况都进行了关联，因此不同遮挡程度的训练样本针对该多任务基本决策树进行训练，使得该模型具有更好的鉴别能力，使得存在部分遮挡或严重遮挡的待测行人可以更好的被检测出来，从而提高不同遮挡程度下行人检测的准确率。

Description

一种建立行人检测模型的方法及装置及行人检测方法

技术领域

本发明涉及图像检测领域，具体涉及一种建立行人检测模型的方法及行人检测方法。

背景技术

视觉图像检测就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取行人转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像智能识别系统软件等通过分析这些信号进行各种运算来抽取行人的特征，进而根据判别的结果来控制现场的设备的系统。

图像检测应用的范围很广，例如在视频监控系统中对行人的识别。对行人进行准确可靠的检测是许多基于行人的计算机视觉和模式识别应用中的重要环节，例如视频监控、辅助驾驶、自动机器人导航等等。得益于强有力的特征表示、鲁棒的行人建模方法和有效的检测策略，当前的行人检测技术在无遮挡的数据集上取得了显著的进步。然而，遮挡仍然是取得理想检测结果的一个主要阻碍因素。一方面，现有的主流技术都是以行人全部可见或者只有轻微遮挡为前提，因此随着行人遮挡程度的增加，他们的检测性能会明显下降，主要原因在于较大遮挡程度下的样本会缺失大量有用的行人特征信息，使得在无遮挡或轻微遮挡行人样本条件下训练的检测器难以检测较大遮挡程度的行人。另外由于有用信息丢失和从遮挡区域提取出的噪声信息会在训练过程中误导检测器，因此直接将较大遮挡程度的行人样本加入到已有无遮挡或轻微遮挡行人训练样本中的方案也是无法奏效的。另一方面，遮挡在实际应用场景中却是经常发生的，比如在城市的街道或是人群聚集的地方。因此，提供一种有能力进行遮挡处理的检测方法对于取得更加鲁棒的检测结果有着重要意义。

现有的遮挡处理方法主要有两类：第一类是基于身体各部件可见度预估的行人检测方法，第二类是基于特定遮挡分类器的行人检测方法。基于身体各部件可见度预估的方法通常采用可变形部件模型(DeformablePartModel，简称DPM)将行人建模为由不同身体部件组成的整体，并在检测前通过一定的方法对各个身体部件的可见度进行预估，判断哪些身体部件是可见的，哪些身体部件是被遮挡的，这样就可以在检测时尽量排除或减小遮挡部件对结果的影响。Wu等人在文献“DetectionofMultiple,PartiallyOccludedHumansinaSingleImagebyBayesianCombinationofEdgeletPartDetectors”中提出了一种基于edgelet特征的部件检测器，通过人体各个部件的相对深度顺序来预估其可见度。Leibe等人在文献“PedestrianDetectioninCrowdedScenes”中提出了一种自顶向下的概率分割方法用来结合局部外观特征和全局形状信息以确定行人的遮挡程度。Enzweiler等人在文献“Multi-cuePedestrianClassificationwithPartialOcclusionHandling”中提出了一种基于不同模块组合的行人模型，每个模块的可见度由其在深度特征和运动特征中的遮挡边界(不连续性)来确定。可以看到，上述方法在进行可见度预估时均需要使用额外的信息，例如运动信息、深度信息或是图像分割结果，而在实际中这些信息不总是能够方便得到的。因此第二类基于特定遮挡分类器的方法被提出，Wojek等人在文献“Monocular3DSceneUnderstandingwithExplicitOcclusionReasoning”中提出训练一组特定分类器，每个分类器对应一个不同的遮挡程度，在检测时，如果行人的遮挡程度已知(预先或通过预估)，则使用对应其遮挡程度的特定分类器来完成检测；如果行人的遮挡程度未知，则首先使用所有的特定遮挡分类器进行判断，然后将这些结果直接融合起来得到最终结果，但其缺点是训练众多的分类器非常耗时。Mathias等人在文献“HandlingOcclusionswithFranken-Classifiers”中针对此问题进行了改进，提出了在分类器训练过程中采用空间倾向性的特征选择思想，即利用一个在无遮挡条件下训练的分类器作为起始，重复利用训练时的操作来高效地建立一组特定遮挡条件下的分类器，将计算时间降低了一个数量级。然而，上述这些方法的不足在于各个不同的特定遮挡分类器都是独立进行训练的，他们之间的关联关系被忽略掉了，因此对于存在严重遮挡的行人的检测精度较差。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中对于严重遮挡的行人的检测准确性差的缺陷，从而提供一种建立行人检测模型的方法及行人检测方法。

为此，本发明提供一种建立行人检测模型的方法，其特征在于，包括如下步骤：

根据遮挡程度将训练样本划分成N类，其中N为大于等于2的整数；

根据所述训练样本的种类构建多任务基本决策树，所述多任务基本决策树为N层二叉树，所述N层二叉树的每个节点包括一个基本决策树；

分别获取所有训练样本的权重；

分别获取所有训练样本中的相应的特征值；

分别向所述多任务基本决策树中的每个输入节点输入所述特征值，其中，同一层输入的特征值分别来自相同类别的训练样本，不同层之间输入的特征值分别来自不同类别的训练样本；

所述每个输入节点遍历所有特征值；

根据所有输出节点的输出和其对应样本的权重确定每种输入下的分类误差值；

获取分类误差值最小的多任务基本决策树作为最优多任务基本决策树。

优选地，还包括:根据最小的分类误差值调整训练样本的权重，重新确定最优多任务基本决策树。

优选地，还包括

获取所有最优多任务基本决策树的权重；

根据所有最优多任务基本决策树及其权重得到最终多任务决策树。

优选地，所述遮挡程度包括遮挡部分所占的比例。

优选地，所述基本决策树包括一个根节点和两个预测节点，所述根节点为输入节点，所述预测节点为输出节点。

优选地，所述根据所有输出节点的输出和其对应样本的权重确定每种输入下的分类误差值的步骤包括：

获取每个输出节点的输出，对于每个节点，如果输入的特征值大于该基本决策树的决策阈值，输出为正例，否则输出为负例；

通过下述公式计算分类误差值：

$err(h^t,S,D^t)=\underset{e\∈S:pred(h^t,e)\≠y\left(e\right)}{\Σ}{D}^t\left(e\right)$

其中，err(h^t，S，D^t)表示在一种输入下的多任务基本决策树的分类误差，e表示分类错误(即预测输出与样本标签不相符)的训练样本集合，S表示整个训练样本集合，h表示多任务基本决策树，t表示当前循环计数，e∈S：pred(h^t，e)≠y(e)表示当前样本输出与标签不相符时将其加入e集合，D^t(e)表示e集合中每个样本的权重。

优选地，根据最小的分类误差值调整训练样本的权重，重新确定最优多任务基本决策树的步骤包括：

计算当前的分类误差∈^t＝err(h^t，S，D^t)，并根据此误差计算相应的多任务基本决策树的权重

根据所述权重对样本空间e中的每个训练样本更新其分布；

如果pred(h^t，e)＝y(e)，表示当前样本预测输出与样本标签相符，即样本分类正确，则其新的分布按照如下方式更新否则按照如下方式更新其中Z^t为预先设定的调整系数。

优选地，根据所有最优多任务基本决策树及其权重得到最终多任务决策树的步骤包括：

最终多任务决策树通过如下公式获得：

其中H(x)表示最终多任务决策树，x表示输入待检测样本，h^t(x)表示每次循环中的最优多任务基本决策树，α^t表示每个最优多任务基本决策树对应的权重，T为预先设定的最大循环迭代次数。

本发明还提供一种行人检测方法，包括如下步骤：

从待测样本中提取特征值；

将所述特征值输入所述最优多任务基本决策树/最终多任务决策树；

将所述最优多任务决策树/最终多任务决策树的输出作为行人检测的结果。

本发明技术方案，具有如下优点：

1.本发明提供的建立行人检测模型的方法，构建了多任务基本决策树，所述多任务基本决策树的层数与训练样本的遮挡程度分类数量一致，每个节点包括一个基本决策树，这样，通过在每个输入节点输入特征值，可以获得一个多任务基本决策树的输出，然后可以得到每种输入下的分类误差值，分类误差值最小的则是最优的多任务基本决策树，通过使用多任务基本决策树，将训练样本的不同分类情况都进行了关联，因此不同遮挡程度的训练样本针对该多任务基本决策树进行训练，使得该模型具有更好的鉴别能力，使得存在部分遮挡或严重遮挡的待测行人可以更好的被检测出来。

2.本发明提供的建立行人检测模型的方法，根据最小的分类误差值调整训练样本的权重，重新确定最优多任务基本决策树。获取所有最优多任务基本决策树的权重，根据所有最优多任务基本决策树及其权重得到最终多任务决策树。该方案把在不同遮挡程度下的行人检测看作一系列不同但互相关联的任务，通过采用多任务学习算法将不同遮挡程度下的训练样本映射到一个共同子空间中，同时考虑他们之间的区别与联系，并在此基础上训练一个级联增强的分类器，根据所有最优多任务基本决策树及其权重得到最终多任务决策树，从而能够提高不同遮挡程度下行人检测的准确率。

3.本发明还提供一种行人检测方法，采用根据最优多任务基本决策树或最终多任务决策树构成的行人检测模型进行检测，可以更好的检测出存在遮挡的行人，提高行人检测的准确性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1中建立行人检测模型的方法的一个具体示例的流程图；

图2为本发明实施例1中三层多任务基本决策树的示意图；

图3为本发明实施例2中的行人检测方法的流程图；

图4为本发明实施例3中的行人检测方法的流程图；

图5为本发明实施例4中的建立行人检测模型的装置的结构框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本实施例中提供一种建立行人检测模型的方法，是一种建立行人检测模型的方法，用于计算机、控制器等可编程设备中，用于构建行人检测模型。该方法包括如下步骤：

S1、根据遮挡程度将训练样本划分成N类，其中N为大于等于2的整数。

此处的训练样本的遮挡程度按照遮挡比例来计算，根据遮挡比例的不同分为不同类型，例如将遮挡程度小于30％的为轻微遮挡，30％-50％为普通遮挡，50％-80％为严重遮挡，而大于80％的遮挡行人由于遮挡程度太大，信息丢失太多，是很难检测出的，所以训练样本不选择大于80％遮挡比例的样本，此处的训练样本可以分为三类：轻微遮挡、普通遮挡和严重遮挡。

S2、根据所述训练样本的种类构建多任务基本决策树，所述多任务基本决策树为N层二叉树，所述N层二叉树的每个节点包括一个基本决策树。

此处的多任务基本决策树是一棵二叉树，与训练样本的分类相关，训练样本分为几类，此处的多任务基本决策树具有几层，按照上述将训练样本分为三类，则此处的二叉树具有三层，如图2所示，每层节点包括一个基本决策树。每个基本决策树包括一个根节点和两个预测节点，所述根节点为输入节点，所述预测节点为输出节点。

S3、分别获取所有训练样本的权重。

由于所有的训练样本由于其遮挡程度不同，因此对于分类后误差的影响不同，例如轻微遮挡的样本分类正确没有严重遮挡的分类正确对于结果的影响大，此外，由于样本本身也有容易判断和难于判断的情况，因此，每个样本对结果的影响不一样，故针对每个训练样本都设置有权重。此处的初始权重可以根据经验设置，或者初始时都设置为1或者1/n,n为训练样本的总数。

S4、分别获取所有训练样本中的相应的特征值。

针对所有的训练样本，获取其对应的特征值，如获取每个训练样本的颜色特征值(a11、a21、a31、…，aij)，其中i为特征值的个数，j为训练样本的个数，针对每个相应的特征值分别进行处理，如果特征值有多维，选择相应维度的进行处理，如针对每个训练样本都选择第i个相应的特征值进行处理。

此外，每个训练子集中的样本，还可以是梯度幅值特征、方向梯度直方图特征等。

上述步骤S2、S3、S4不区分先后顺序，只要获得了这些数据即可，可以并行处理。

S5、分别向所述多任务基本决策树中的每个输入节点输入所述特征值，其中，同一层输入的特征值分别来自相同类别的训练样本，不同层之间输入的特征值分别来自不同类别的训练样本。

本步骤中，将特征值输入上述构建的多任务基本决策树中。每层输入的特征值来自同类训练样本，而各层之间输入的是不同的训练样本，通过该多任务基本决策树可以建立不同类型样本之间的关联关系。如第一层输入的是来自轻微遮挡的样本的特征值，第二层的两个输入节点输入的是普通遮挡的训练样本的特征值，第三层的四个输入节点输入的便是来自严重遮挡的训练样本的特征值。这作为一种输入情况。

S6、所述每个输入节点遍历所有特征值。

按照S5中的输入要求，在每个输入节点都遍历所有的特征值。每种输入情况下都可以获得一个分类误差值。

S7、根据所有输出节点的输出和其对应样本的权重确定每种输入下的分类误差值。

通过将不同遮挡程度训练样本的分类问题分别以根节点和预测节点的方式统一到一个多层次决策树中，同时考虑了他们之间的关系，并通过贪心搜索方法获得使联合分类误差最小的最优决策树。

构建多任务基本决策树，采用了贪心算法，即遍历搜索所有可能的多任务基本决策树然后保留分类误差最小的一个作为最优多任务基本决策树。具体地，首先在三个分类任务间遍历，因为其中任何一个都可以作为根节点；然后在七个传统的基本决策树(一个用于多任务基本决策树的根节点，两个用于多任务基本决策树的第二层节点，另外四个用于多任务基本决策树的第三层节点)之间遍历；最后遍历所有提取出的特征以及每种特征所有可能的取值，如果当前特征大于当前取值，则将样本判别为正例，否则判别为负例，并根据以下公式计算分类误差：

$err(h^t,S,D^t)=\underset{e\∈S:pred(h^t,e)\≠y\left(e\right)}{\Σ}{D}^t\left(e\right)$

其中，err(h^t，S，D^t)表示在一种输入下的多任务基本决策树的分类误差，e表示分类错误(即预测输出与样本标签不相符)的训练样本集合，S表示整个训练样本集合，h表示多任务基本决策树，t表示当前循环计数，e∈S：pred(h^t，e)≠y(e)表示当前样本输出与标签不相符时将其加入e集合，D^t(e)表示e集合中每个样本的权重。

S8、获取分类误差值最小的多任务基本决策树作为最优多任务基本决策树。

根据上述遍历情况，可以得到多种输入，在每种输入情况下都可以得到一个分类误差值，分类误差值越小说明误差率越低，因此将误差率最小的多任务基本决策树作为最优的多任务基本决策树。

最终选择使得分类误差最小的那个作为最优多任务基本决策树 $h={\mathrm{argmin}}_{h_j}err(h_j,S,D)$

本方案中，通过使用多任务基本决策树，将训练样本的不同分类情况都进行了关联，因此不同遮挡程度的训练样本针对该多任务基本决策树进行训练，使得该模型具有更好的鉴别能力，使得存在部分遮挡或严重遮挡的待测行人可以更好的被检测出来。

优选地，根据最小的分类误差值调整训练样本的权重，重新确定最优多任务基本决策树。然后，获取所有最优多任务基本决策树的权重；根据所有最优多任务基本决策树及其权重得到最终多任务决策树。

该优化的方案中，通过迭代方式训练优化若干弱分类器，并将其合并为一个级联增强的最终分类器，只有当样本依次通过了所有弱分类器的检验，才会被判别为行人正例，而只要未通过其中任何一个分类器的检验，则会被判别为负例。

由于训练样本的初始权重设置往往不是最优的，根据最后的结果又可以进一步优化权重，优化权重后会再次重新确定最优多任务基本决策树。可以预先设置进一步循环迭代的次数，如迭代N次，则得到N个最优多任务基本决策树及其权重，然后根据所有最优多任务基本决策树及其权重得到最终多任务决策树。

本实施例中，采用Adaboost算法实现基于多任务基本决策树的弱分类器迭代优化，以及对这些弱分类器的级联合并增强。具体地，首先在给定的样本空间S上初始化一个分布D^init，然后采用循环迭代的方式不断优化：在每次循环t中，首先按照步骤S7、S8中所述方法得到最优的多任务基本决策树h^t，然后计算当前的分类误差∈^t＝err(h^t，S，D^t)，并根据此误差计算相应多任务基本决策树的权重接下来利用此权重对样本空间S中的每个样本e更新其分布，如果pred(h^t，e)＝y(e)(表示当前样本预测输出与样本标签相符，即样本分类正确)，则其新的分布按照如下方式更新 $D^{t+1}\left(e\right)=\frac{D^t\left(e\right)\·\exp (-{\mathrm{\α}}^t)}{Z^t},$ 否则按照如下方式更新 $D^{t+1}\left(e\right)=\frac{D^t\left(e\right)\·\exp (+{\mathrm{\α}}^t)}{Z^t}.$ 最后将每次循环中优化得到的各个弱分类器合并为一个增强的分类器其中T为预先设定的最大循环迭代次数。

$H\left(x\right)={\Σ}_{t=1}^T{\mathrm{\α}}^t{h}^t\left(x\right),$ 为最终多任务决策树。

本发明提供的建立行人检测模型的方法，根据最小的分类误差值调整训练样本的权重，重新确定最优多任务基本决策树。获取所有最优多任务基本决策树的权重，根据所有最优多任务基本决策树及其权重得到最终多任务决策树。该方案把在不同遮挡程度下的行人检测看作一系列不同但互相关联的任务，通过采用多任务学习算法将不同遮挡程度下的训练样本映射到一个共同子空间中，同时考虑他们之间的区别与联系，并在此基础上训练一个级联增强的分类器，根据所有最优多任务基本决策树及其权重得到最终多任务决策树，从而能够提高不同遮挡程度下行人检测的准确率。

实施例2:

本实施例中提供一种行人检测方法，使用实施例1所述的行人检测模型进行行人检测，包括如下步骤：

S11、从待测样本中提取特征值。利用滑动窗检测策略将待测图像分为许多重叠的窗口作为待测样本的候选区域，然后针对这些待测样本提取特征值。

S12、将所述特征值输入所述最优多任务基本决策树/最终多任务决策树。然后对于每个候选区域使用所述实施例1中建立的行人检测模型作为分类器判断其是否包含行人。

S13、将所述最优多任务决策树/最终多任务决策树的输出作为行人检测的结果。使用非极大值抑制方法去除重复的窗口以得到最终的检测结果。

本实施例中提供将行人检测模型和行人检测方法在行人检测中的应用，该行人检测方法中，把在不同遮挡程度下的行人检测看作一系列不同但互相关联的任务，通过采用多任务学习算法将不同遮挡程度下的训练样本映射到一个共同子空间中，从而能够同时考虑他们之间的区别与联系，以提高不同遮挡程度下行人检测的准确率。

实施例3

本实施例提供一种采用实施例1中的建立行人检测模型的方法，针对行人检测领域进行行人检测的具体方案。本实施例提供一种基于多任务遮挡处理的行人检测方法，包括建立行人检测模型和进行行人检测两个过程，将行人检测数据库分为训练集和测试集，其中训练集用于建立行人检测模型，测试集用于对建立的行人检测模型进行检测。

建立行人检测模型的过程包括如下：

(1)将训练集中的行人样本分为不同遮挡程度的行人样本。

对于遮挡程度的区分有许多不同的标准，本实施例中，用以区分不同遮挡程度的标准为遮挡百分比，即行人样本中被遮挡的部分占到整个行人样本面积的比例。对遮挡程度的精细化区分可能会提高检测的精度但同时也相应增加了计算复杂度。本实施例中选择了两类行人样本，此处以部分遮挡(遮挡百分比在35％以内)和严重遮挡(遮挡百分比在80％以内)为例，则行人样本可分为部分遮挡程度下的行人样本和严重遮挡程度下的行人样本。

(2)将训练集分为包括不同遮挡程度行人样本的训练子集，并分别对每个训练子集中的样本提取特征。

本实施例中，以部分遮挡和严重遮挡为例进行划分，则训练样本可分为部分遮挡训练样本X_P和严重遮挡训练样本X_H，其中部分遮挡训练样本X_P包括部分遮挡程度下的行人样本及背景样本，严重遮挡训练样本X_H包括严重遮挡程度下的行人样本及背景样本，并分别对这些样本提取特征。本发明中优选HSV颜色特征、梯度幅值特征和方向梯度直方图特征。

(3)针对不同遮挡程度样本的特征，通过多任务学习算法获得一个最优的多任务基本决策树，以同时考虑不同遮挡程度样本之间的关系。

这里以部分遮挡训练样本和严重遮挡训练样本为例，其实际上分别对应了两个二值分类任务：判断部分遮挡程度下的行人样本及背景样本是否为行人(记为T_P)，和判断严重遮挡程度下的行人样本及背景样本是否为行人(记为T_H)。具体地，任务T_P可以定义为：X_P为训练样本空间，Y_P为对应的样本标签，D_P为X_P上的一个分布，f_P：X_P→Y_P为目标函数，给定一个样本S_P＝{(x，f_P(x))|x∈X_P}，目标则为寻找一个最优的分类函数h_P使得分类错误率最小。任务T_H可以按照类似方式进行定义。传统的检测方法将这两个任务看作独立的问题分别求解，而本实施例的方案中将利用多任务学习方法同时考虑并求解，其多任务问题具体定义如下：记D为样本空间X＝X_P∪X_H上的一个分布，给定一个样本S＝S_P∪S_H，目标为寻找一个最优的分类函数h：X→T_P×Y_H使得分类错误率Pr_<x，i>～D[h_i(x)≠f_i(x)]最小，这里h_i(x)是h(x)的各个组成部分且i∈{P，H}。

为了求解上述多任务问题，首先需要建立若干弱分类器，在本实施例中选择决策树的方式，而其基础为基本(一层)决策树，即由一个根节点和两个预测节点所组成的决策树，根节点为输入节点，预测节点为输出节点。显然此类传统的基本决策树只适用于单一的分类问题，因此本发明中将其扩展为多任务形式以便同时考虑多个任务。针对上述两个二值分类任务，其多任务基本决策树由两层所构成：第一层为根节点，由一个传统的基本决策树构成，用以处理两个分类任务中的一个(任务T_P或任务T_H)；第二层为两个预测节点，分别由一个传统的基本决策树构成，用以处理两个分类任务中的另一个。

为了有效构建上述多任务基本决策树，本发明中采用贪心算法，即遍历搜索所有可能的多任务基本决策树然后保留分类误差最小的一个作为最优基本决策树。具体地，首先在两个分类任务间遍历，因为其中任何一个都可以作为根节点；然后在三个传统的基本决策树(一个用于多任务基本决策树的根节点，另外两个用于多任务基本决策树的预测节点)之间遍历；最后遍历所有提取出的特征以及每种特征所有可能的取值，如果当前特征大于当前取值，则将样本判别为正例，否则判别为负例，并根据以下公式计算分类误差：

$err(h^t,S,D^t)=\underset{e\&Element;S:pred(h^t,e)\&NotEqual;y\left(e\right)}{\&Sigma;}{D}^t\left(e\right)$

最终选择使得分类误差最小的那个作为最优多任务基本决策树 $h={\mathrm{argmin}}_{h_j}err(h_j,S,D).$

(4)基于所述的多任务基本决策树获得一个级联增强的最终分类器，以判断样本是否为行人。

本发明中采用一定深度(比如深度为5)的决策树作为弱分类器，这些弱分类器正是基于步骤(3)中所述的多任务基本决策树构建而成，其中每个节点对应一个多任务基本决策树。然后若干个弱分类器通过级联的方式合并为一个强分类器，用以判断样本是否为行人。在此方式下，只有当样本依次通过了所有弱分类器的检验，才会被判别为行人正例，而只要未通过其中任何一个分类器的检验，则会被判别为负例。

(5)在训练阶段，利用训练样本迭代地优化所述多任务基本决策树以及所述级联增强分类器。

本发明中采用Adaboost算法实现基于多任务基本决策树的弱分类器迭代优化，以及对这些弱分类器的级联合并增强。具体地，首先在给定的样本空间S上初始化一个分布D^init，然后采用循环迭代的方式不断优化：在每次循环t中，首先按照步骤(3)中所述方法得到最优的多任务基本决策树h_t，然后计算当前的分类误差∈^t＝err(h^t，S，D^t)，并根据此误差计算相应多任务基本决策树的权重接下来利用此权重对样本空间S中的每个样本e更新其分布，如果pred(h^t，e)＝y(e)，则其新的分布按照如下方式更新否则按照如下方式更新 最后将每次循环中优化得到的各个弱分类器合并为一个增强的分类器其中T为预先设定的最大循环迭代次数。

(6)在检测阶段，使用所述的分类器对待检测样本进行检测，得到最终的检测结果。

对于输入的待检测图像，首先采用图像金字塔缩放方式，将输入图像缩放到若干个不同的尺度，并将这些缩放后的图像重叠在一起组成一个金字塔形式，然后利用滑动窗检测策略按照一定的步长对各个图像进行遍历扫描，将其分为许多窗口作为候选行人区域，然后对于每个候选区域使用所述的分类器判断其是否包含行人，保留包含行人的候选窗，最后使用非极大值抑制方法去除重复的候选窗即得到最终的检测结果。

下面的实验结果表明，与现有方法相比，本发明基于多任务遮挡处理的行人检测方法，可以取得更高的检测准确率。

本实施例中采用了Caltech行人检测标准数据集进行实验，该数据集由文献“PedestrianDetection:AnEvaluationoftheStateoftheArt”(作者P.Dollar,C.Wojek,B.Schiele和P.Perona，发表在2012年的IEEETransactionsonPatternAnalysisandMachineIntelligence)提出，其中包括在11个不同时间段采集的城市交通街景，每个时间段内包含有6～13段不等的一分钟时长的视频，其中的行人都做了标注。前6个时间段的数据作为训练集，后5个时间段的数据作为测试集，在实验时每隔30帧取一帧进行测试，测试集包含4024张图像。以下5种文献中的方法被用来作为实验对比：

1、现有方法(一)：文献“AnHOG-LBPHumanDetectorwithPartialOcclusionHandling”(作者X.Wang,T.X.Han和S.Yan，发表在2009年的IEEEInternationalConferenceonComputerVision)中的方法，该方法利用分块模式HOG特征在行人样本上的响应程度来推断检测窗中被遮挡的像素部分；

2、现有方法(二)：文献“ADiscriminativeDeepModelforPedestrianDetectionwithOcclusionHandling”(作者W.Ouyang和X.Wang，发表在2012年的IEEEConferenceonComputerVisionandPatternRecognition)中的方法，该方法利用一个深度多层网络来学习行人各个身体部件的可见度关联关系；

2、现有方法(三)：文献“ModelingMutualVisibilityRelationshipinPedestrianDetection”(作者W.Ouyang,X.Zeng和X.Wang，发表在2013年的IEEEConferenceonComputerVisionandPatternRecognition)中的方法，该方法针对多个行人相互遮挡的情形，提出了一种深度模型来预估多个遮挡行人的共有可见度；

4、现有方法(四)：文献“HandlingOcclusionswithFranken-Classifiers”(作者M.Mathias,R.Benenson,R.Timofte和L.J.V.Gool，发表在2013年的IEEEInternationalConferenceonComputerVision)中的方法，该方法提出训练一组特定分类器，每个分类器对应一个不同的遮挡程度，并采用空间倾向性的特征选择思想，重复利用训练时的操作来高效地建立这些特定遮挡条件下的分类器，大大降低了计算时间；

5、现有方法(五)：文献“JointDeepLearningforPedestrianDetection”(作者W.Ouyang和X.Wang，发表在2013年的IEEEInternationalConferenceonComputerVision)中的方法，该方法将特征提取、行人建模和遮挡处理等因素同时考虑，提出了一种联合深度学习框架来最大化每个因素的作用；

6、本实施例的方法。

实验采用行人检测领域最常用的log-averagemissrate指标来评价行人检测的准确性，其反映的是当FPPI(FalsePositivePerImage)在10^-2到10⁰范围之间的平均漏检率，log-averagemissrate值越小，表明行人检测的结果就越好。

表1.与现有方法的对比实验结果

表1中是各个比较方法在不同遮挡设置测试子集上的结果，其中Reasonable为高度超过49像素全部可见或遮挡低于35％的行人，All为高度超过19像素全部可见或遮挡低于80％的行人，NoneOcclusion为高度超过49像素全部可见的行人，PartialOcclusion为高度超过49像素遮挡低于35％的行人，HeavyOcclusion为高度超过49像素遮挡范围在35％-80％之间的行人。可以看到本发明在所有测试集上均取得了最好的行人检测结果，平均结果超过其他现有方法至少14个百分点以上。这是得益于本发明把在不同遮挡程度下的行人检测看作一系列不同但互相关联的任务，通过采用多任务学习算法同时考虑了不同遮挡程度下的行人样本之间的区别与联系，并在此基础上获得了一个级联增强的分类器，因此能够提高不同遮挡程度下行人检测的准确率。

本实施例中提出了一种基于多任务遮挡处理的行人检测方法，把在不同遮挡程度下的行人检测看作一系列不同但互相关联的任务，通过采用多任务学习算法将不同遮挡程度下的行人样本映射到一个共同子空间中，从而能够同时考虑他们之间的区别与联系，并在此基础上训练一个级联增强的分类器，以提高不同遮挡程度下行人检测的准确率。

实施例4：

本实施例中提供一种建立目标检测模型的装置，结构框图如图5所示，包括

划分单元01，根据遮挡程度将训练样本划分成N类，其中N为大于等于2的整数；

构建单元02，根据所述训练样本的种类构建多任务基本决策树，所述多任务基本决策树为N层二叉树，所述N层二叉树的每个节点包括一个基本决策树；

权重获取单元03，分别获取所有训练样本的权重；

特征值获取单元04，分别获取所有训练样本中的相应的特征值；

输入单元05，分别向所述多任务基本决策树中的每个输入节点输入所述特征值，其中，同一层输入的特征值分别来自相同类别的训练样本，不同层之间输入的特征值分别来自不同类别的训练样本；

遍历单元06，所述每个输入节点遍历所有特征值；

分类误差值确定单元07，根据所有输出节点的输出和其对应样本的权重确定每种输入下的分类误差值；

最优多任务基本决策树获取单元08，获取分类误差值最小的多任务基本决策树作为最优多任务基本决策树。

优选地，还包括循环单元，根据最小的分类误差值调整训练样本的权重，重新确定最优多任务基本决策树。

此外，还包括最终多任务决策确定单元，获取所有最优多任务基本决策树的权重，根据所有最优多任务基本决策树及其权重得到最终多任务决策树。

其中，所述遮挡程度包括遮挡部分所占的比例。所述基本决策树包括一个根节点和两个预测节点，所述根节点为输入节点，所述预测节点为输出节点。

其中，分类误差值确定单元07包括：

获取每个输出节点的输出，对于每个节点，如果输入的特征值大于该基本决策树的决策阈值，输出为正例，否则输出为负例；

通过下述公式计算分类误差值：

$err(h^t,S,D^t)=\underset{e\&Element;S:pred(h^t,e)\&NotEqual;y\left(e\right)}{\&Sigma;}{D}^t\left(e\right)$

其中，err(h^t，S，D^t)表示在一种输入下的多任务基本决策树的分类误差，e表示分类错误的训练样本集合，S表示整个训练样本集合，h表示多任务基本决策树，t表示当前循环计数，e∈S：pred(h^t，e)≠y(e)表示当前样本输出与标签不相符时将其加入e集合，D^t(e)表示e集合中每个样本的权重。

其中，所述循环单元包括：

计算当前的分类误差∈^t＝err(h^t，S，D^t)，并根据此误差计算相应的多任务基本决策树的权重

根据所述权重对样本空间e中的每个训练样本更新其分布；

如果pred(h^t，e)＝y(e)，表示当前样本预测输出与样本标签相符，即样本分类正确，则其新的分布按照如下方式更新否则按照如下方式更新其中Z^t为预先设定的调整系数。

最终多任务决策确定单元中，最终多任务决策树通过如下公式获得：

其中H(x)表示最终多任务决策树，x表示输入待检测样本，h^t(x)表示每次循环中的最优多任务基本决策树，α^t表示每个最优多任务基本决策树对应的权重，T为预先设定的最大循环迭代次数。

本实施例中还提供一种行人检测装置，包括：

特征值提取单元，从待测样本中提取特征值。利用滑动窗检测策略将待测图像分为许多重叠的窗口作为待测样本的候选区域，然后针对这些待测样本提取特征值。

特征值输入单元，将所述特征值输入所述最优多任务基本决策树/最终多任务决策树。然后对于每个候选区域使用所述实施例1中建立的行人检测模型作为分类器判断其是否包含行人目标。

结果输出单元，将所述最优多任务决策树/最终多任务决策树的输出作为行人检测的结果。使用非极大值抑制方法去除重复的窗口以得到最终的检测结果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (12)

1.一种建立行人检测模型的方法，其特征在于，包括如下步骤：

根据遮挡程度将训练样本划分成N类，其中N为大于等于2的整数；

根据所述训练样本的种类构建多任务基本决策树，所述多任务基本决策树为N层二叉树，所述N层二叉树的每个节点包括一个基本决策树；

分别获取所有训练样本的权重；

分别获取所有训练样本中的相应的特征值；

分别向所述多任务基本决策树中的每个输入节点输入所述特征值，其中，同一层输入的特征值分别来自相同类别的训练样本，不同层之间输入的特征值分别来自不同类别的训练样本；

所述每个输入节点遍历所有特征值；

根据所有输出节点的输出和其对应样本的权重确定每种输入下的分类误差值；

获取分类误差值最小的多任务基本决策树作为最优多任务基本决策树。

2.根据权利要求1所述的方法，其特征在于，还包括:根据最小的分类误差值调整训练样本的权重，重新确定最优多任务基本决策树。

3.根据权利要求2所述的方法，其特征在于，还包括

获取所有最优多任务基本决策树的权重；

根据所有最优多任务基本决策树及其权重得到最终多任务决策树。

4.根据权利要求1或2或3所述的方法，其特征在于，所述遮挡程度包括遮挡部分所占的比例。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述基本决策树包括一个根节点和两个预测节点，所述根节点为输入节点，所述预测节点为输出节点。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所有输出节点的输出和其对应样本的权重确定每种输入下的分类误差值的步骤包括：

获取每个输出节点的输出，对于每个节点，如果输入的特征值大于该基本决策树的决策阈值，输出为正例，否则输出为负例；

通过下述公式计算分类误差值：

$err(h^t,S,D^t)=\underset{e\&Element;S:pred(h^t,e)\&NotEqual;y\left(e\right)}{\&Sigma;}{D}^t\left(e\right)$

其中，err(h^t，S，D^t)表示在一种输入下的多任务基本决策树的分类误差，e表示分类错误的训练样本集合，S表示整个训练样本集合，h表示多任务基本决策树，t表示当前循环计数，e∈S：pred(h^t，e)≠y(e)表示当前样本输出与标签不相符时将其加入e集合，D^t(e)表示e集合中每个样本的权重。

7.根据权利要求6所述的方法，其特征在于，根据最小的分类误差值调整训练样本的权重，重新确定最优多任务基本决策树的步骤包括：

计算当前的分类误差∈^t＝err(h^t，S，D^t)，并根据此误差计算相应的多任务基本决策树的权重

根据所述权重对样本空间e中的每个训练样本更新其分布；

如果pred(h^t，e)＝y(e)，表示当前样本预测输出与样本标签相符，即样本分类正确，则其新的分布按照如下方式更新否则按照如下方式更新其中Z^t为预先设定的调整系数。

8.根据权利要求7所述的方法，其特征在于，根据所有最优多任务基本决策树及其权重得到最终多任务决策树的步骤包括：

最终多任务决策树通过如下公式获得：

其中H(x)表示最终多任务决策树，x表示输入待检测样本，h^t(x)表示每次循环中的最优多任务基本决策树，α^t表示每个最优多任务基本决策树对应的权重，T为预先设定的最大循环迭代次数。

9.一种行人检测方法，其特征在于，包括如下步骤：

从待测样本中提取特征值；

将所述特征值输入所述最优多任务基本决策树/最终多任务决策树；

将所述最优多任务决策树/最终多任务决策树的输出作为行人检测的结果。

10.一种建立行人目标检测模型的装置，其特征在于，包括

划分单元，根据遮挡程度将训练样本划分成N类，其中N为大于等于2的整数；

构建单元，根据所述训练样本的种类构建多任务基本决策树，所述多任务基本决策树为N层二叉树，所述N层二叉树的每个节点包括一个基本决策树；

权重获取单元，分别获取所有训练样本的权重；

特征值获取单元，分别获取所有训练样本中的相应的特征值；

输入单元，分别向所述多任务基本决策树中的每个输入节点输入所述特征值，其中，同一层输入的特征值分别来自相同类别的训练样本，不同层之间输入的特征值分别来自不同类别的训练样本；

遍历单元，所述每个输入节点遍历所有特征值；

分类误差值确定单元，根据所有输出节点的输出和其对应样本的权重确定每种输入下的分类误差值；

最优多任务基本决策树获取单元，获取分类误差值最小的多任务基本决策树作为最优多任务基本决策树。

11.根据权利要求10所述的装置，其特征在于，还包括循环单元，根据最小的分类误差值调整训练样本的权重，重新确定最优多任务基本决策树。

12.根据权利要求11所述的装置，其特征在于，还包括最终多任务决策确定单元，获取所有最优多任务基本决策树的权重，根据所有最优多任务基本决策树及其权重得到最终多任务决策树。