CN106650773A - 一种基于SVM‑AdaBoost算法的行人检测方法 - Google Patents

一种基于SVM‑AdaBoost算法的行人检测方法 Download PDF

Info

Publication number
CN106650773A
CN106650773A CN201610888094.XA CN201610888094A CN106650773A CN 106650773 A CN106650773 A CN 106650773A CN 201610888094 A CN201610888094 A CN 201610888094A CN 106650773 A CN106650773 A CN 106650773A
Authority
CN
China
Prior art keywords
svm
training
sample
weight
error rate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610888094.XA
Other languages
English (en)
Inventor
张莉
康保护
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiuquan Vocationl Technical College
Original Assignee
Jiuquan Vocationl Technical College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiuquan Vocationl Technical College filed Critical Jiuquan Vocationl Technical College
Priority to CN201610888094.XA priority Critical patent/CN106650773A/zh
Publication of CN106650773A publication Critical patent/CN106650773A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于SVM‑AdaBoost算法的行人检测方法，包括以下内容：通过安装的摄像头获取行人前进道路上的视频图像作为测试样本，给出一个特定的训练样本，循环t次，设定SVM核函数的参数，设定训练样本权重，通过训练样本权重训练SVM弱分类器；通过SVM弱分类器训练样本的训练错误率，若大于50%则返回重新训练，若小于50%则重置SVM弱分类器的权重，重置训练样本集的权重，经过t次循环或达到指定精确度0.3～0.5后，输出训练后的SVM弱分类器，准确确定行人的位置，即完成检测。本发明提高检测的准确率，能够快速统计出行人的数量和密度。

Description

一种基于SVM-AdaBoost算法的行人检测方法
技术领域
本发明涉及计算机视觉技术及安防监控领域，尤其涉及一种基于SVM-AdaBoost算法的行人检测方法。
背景技术
行人检测是在某段时间里对待检测图像采用一种特定方法来搜索确定行人的存在与否，如果存在，则返回检测到行人的数量，并计算区域范围内行人密度。近年随着互联网技术的日新月异，行人检测技术的应用发展越来越广泛，由于行人个体之间的差异性、运动姿态的多样性、行人出现场景的复杂性和自遮挡、视角、光照、尺度等因素影响，目前还没有一个实时的、精确的、统一的行人检测方法。
目前，行人检测方法主要分为四个大类：基于特征的方法、基于统计学方法、模板匹配方法；基于统计学习方法中比较常见的行人检测方法是基于外观的方法，此类方法能从样本集中学习行人的不同特征，从而具备很好的推广性；统计学中的两大主要问题是目标特征的提取和机器学习算法的选择，在行人检测的目标特征提取方面，Papageorgiiou提出的Haar特征具有实时性较高的特点，广泛使用智能辅助系统中的行人检测，但这种特征精度不高，而且容易受检测目标移动和光线等因素的影响，HOG特征和SIFT特征具有较高的精确性和鲁棒性，但实时性较低；机器学习算法的选择方面Adaboost算法和SVM算法取得了一定的成功，但还是存在过度拟合和训练时间过长等缺点。
发明内容
本发明的目的是针对传统行人检测方法中计算耗费时间且错误率高的问题，提供一种基于SVM-AdaBoost算法的行人检测方法。
为解决上述问题，本发明所述的一种基于SVM-AdaBoost算法的行人检测方法，包括以下步骤：
⑴通过安装的摄像头获取行人前进道路上的视频图像；
⑵将所述步骤⑴中获取的视频图像作为测试样本，给出一个特定有n个变量的训练样本S={（x1，y1），…，(xn，yn )}，循环t次，设定SVM核函数参数：={…}，C={C1,C2…}；其中（x1，y1），…，(xn，yn )是训练样本S的参数，，C均为SVM核函数参数值，为一维数组，C为多维数组；
⑶设定训练样本权重： ，i=1，…，N，初始化样本权重为1/N，通过训练样本权重训练一个基于所述SVM核函数参数的SVM弱分类器；
⑷通过所述SVM弱分类器计算所述步骤⑴中训练样本的训练错误率ht为εt=，yi≠ht(xi)，其中εt为训练错误率值，yi为样本实际所属的类别数，w为对设定训练样本预测类别，若εt大于训练错误率ht的50%则返回所述步骤⑶，若εt小于训练错误率ht的50%则继续进行；
⑸根据步骤⑷中计算εt小于50%的训练错误率，重置SVM弱分类器的权重ht为=ln（）；
⑹重置训练样本集的权重= ，i=1；N，Ct为归一化参数；
⑺用所述步骤⑹中训练样本集的权重，经过t次循环=0.3～0.5后，输出训练后的SVM弱分类器f(x)=sing()，准确确定行人的位置，即完成检测。
所述步骤⑶中SVM弱分类器采用滑动窗口得到各个图像特征。
与现有技术相比，本发明有以下优点：
1、本发明通过特定的训练样本与设定训练样本权重，改进特征值，使用SVM作为Adaboost的弱分类器，提高检测的准确率。
2、本发明通过选择合适的SVM核函数的参数，采用训练好的SVM弱分类器实施检测时能够快速统计出行人的数量和密度。
附图说明
图1为本发明的检测结果对比图。
具体实施方式
一种基于SVM-AdaBoost算法的行人检测方法，包括以下步骤：
⑴通过安装的摄像头获取行人前进道路上的视频图像。
采用摄像头采集单行人、多行人、远视图、近视图四种情况视频图像，获取行人样本和分行人样本进行连接输出。
⑵将步骤⑴中获取的视频图像作为测试样本，给出一个特定有n个变量的训练样本S={（x1，y1），…，(xn，yn )}，循环t次，设定SVM核函数参数：={…}，C={C1,C2…}；其中（x1，y1），…，(xn，yn )是训练样本S的参数，，C均为SVM核函数参数值，为一维数组，C为多维数组。
将不同情况的多种测试样本分别输入到训练样本中，循环t次后，设定SVM核函数的参数。
⑶设定训练样本权重： ，i=1，…，N，初始化样本权重为1/N，通过训练样本权重训练一个基于SVM核函数参数的SVM弱分类器。
其中：SVM弱分类器采用滑动窗口得到各个图像特征。
选取不同i值计算训练样本权重，通过输入SVM核函数的参数训练出SVM弱分类器。
⑷通过SVM弱分类器计算步骤⑴中训练样本的训练错误率ht为εt=，yi≠ht(xi)，其中εt为训练错误率值，yi为样本实际所属的类别数，w为对设定训练样本预测类别，若εt大于训练错误率ht的50%则返回步骤⑶，若εt小于训练错误率ht的50%则继续进行。
通过滑动窗口显示SVM弱分类器得到的各个图像特征，计算每个窗口内的训练错误率，当计算出训练错误率εt大于50%，判断输入的特征与滑动窗口的行人相关特征不符合，返回步骤⑶中重新选取i值计算训练样本权重，选择确定的核函数参数输入，再次训练出SVM弱分类器计算训练样本的训练错误率；当计算出训练错误率εt小于50%，判断输入的特征与滑动窗口的行人相关特征符合，继续输出下一步。
⑸根据步骤⑷中计算εt小于50%的训练错误率，重置SVM弱分类器的权重ht为=ln（）。
⑹重置训练样本集的权重= ，i=1；N，Ct为归一化参数。
⑺用步骤⑹中训练样本集的权重，经过t次循环=0.3～0.5后，输出训练后的SVM弱分类器f(x)=sing()，准确确定行人的位置，即完成检测。
本发明随机抽了单行人、多行人、远视图、近视图四种情况的视频作为测试样本集，SVM-AdaBoost算法分别与AdaBoost和SVM传统的分类算法进行比较；AdaBoost和SVM分类算法中漏检率未检测出来的行人样本数目与行人样本总数的比值，误检率非行人样本被检测为行人的数量和非行人样本的总数的比例；从检测性能指标中反映出本发明SVM-AdaBoost检测性能优于两种传统的分类算法。为了说明实验的结果定义，对图1中检测对比结果进行对比，实验时随机抽取样本600个作为测试样本集，取3次实验平均值在相同试验环境下对SVM-AdaBoost、AdaBoost、SVM三种算法的运算时间比较，实验结果如表1所示。
表1三种算法的运行时间和漏检率比较
由表1可见在相同误检率下，SVM-AdaBoost具有的漏检率最低和运算时间最少，由此本发明SVM-AdaBoost算法实时性高于另外两种传统的行人检测方法。

Claims (2)

1.一种基于SVM-AdaBoost算法的行人检测方法，包括以下步骤：
⑴通过安装的摄像头获取行人前进道路上的视频图像；
⑵将所述步骤⑴中获取的视频图像作为测试样本，给出一个特定有n个变量的训练样本S={（x1，y1），…，(xn，yn )}，循环t次，设定SVM核函数参数：={…}，C={C1,C2…}；其中（x1，y1），…，(xn，yn )是训练样本S的参数，，C均为SVM核函数参数值，为一维数组，C为多维数组；
⑶设定训练样本权重： ，i=1，…，N，初始化样本权重为1/N，通过训练样本权重训练一个基于所述SVM核函数参数的SVM弱分类器；
⑷通过所述SVM弱分类器计算所述步骤⑴中训练样本的训练错误率ht为εt=，yi≠ht(xi)，其中εt为训练错误率值，yi为样本实际所属的类别数，w为对设定训练样本预测类别，若εt大于训练错误率ht的50%则返回所述步骤⑶，若εt小于训练错误率ht的50%则继续进行；
⑸根据步骤⑷中计算εt小于50%的训练错误率，重置SVM弱分类器的权重ht为=ln（）；
⑹重置训练样本集的权重= ，i=1；N，Ct为归一化参数；
⑺用所述步骤⑹中训练样本集的权重，经过t次循环=0.3～0.5后，输出训练后的SVM弱分类器f(x)=sing()，准确确定行人的位置，即完成检测。
2.根据权利要求1所述的一种基于SVM-AdaBoost算法的行人检测方法，其特征在于：所述步骤⑶中SVM弱分类器采用滑动窗口得到各个图像特征。
CN201610888094.XA 2016-10-11 2016-10-11 一种基于SVM‑AdaBoost算法的行人检测方法 Pending CN106650773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610888094.XA CN106650773A (zh) 2016-10-11 2016-10-11 一种基于SVM‑AdaBoost算法的行人检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610888094.XA CN106650773A (zh) 2016-10-11 2016-10-11 一种基于SVM‑AdaBoost算法的行人检测方法

Publications (1)

Publication Number Publication Date
CN106650773A true CN106650773A (zh) 2017-05-10

Family

ID=58855160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610888094.XA Pending CN106650773A (zh) 2016-10-11 2016-10-11 一种基于SVM‑AdaBoost算法的行人检测方法

Country Status (1)

Country Link
CN (1) CN106650773A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679528A (zh) * 2017-11-24 2018-02-09 广西师范大学 一种基于AdaBoost‑SVM集成学习算法的行人检测方法
CN107886060A (zh) * 2017-11-01 2018-04-06 西安交通大学 基于视频的行人自动检测与跟踪方法
CN109472302A (zh) * 2018-10-29 2019-03-15 中国石油大学(华东) 一种基于AdaBoost的支持向量机集成学习方法
CN111582350A (zh) * 2020-04-30 2020-08-25 上海电力大学 一种基于距离加权LSSVM的过滤因子优化AdaBoost方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130058286A (ko) * 2011-11-25 2013-06-04 한국전자통신연구원 보행자 검출기의 보행자 검출 방법
CN104657724A (zh) * 2015-03-12 2015-05-27 福建依图网络科技有限公司 一种交通视频行人检测方法
CN105913003A (zh) * 2016-04-07 2016-08-31 国家电网公司 一种多特征多模型的行人检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130058286A (ko) * 2011-11-25 2013-06-04 한국전자통신연구원 보행자 검출기의 보행자 검출 방법
CN104657724A (zh) * 2015-03-12 2015-05-27 福建依图网络科技有限公司 一种交通视频行人检测方法
CN105913003A (zh) * 2016-04-07 2016-08-31 国家电网公司 一种多特征多模型的行人检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张莉: "基于SVM-AdaBoost算法的行人检测方法", 《工业仪表与自动化装置》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886060A (zh) * 2017-11-01 2018-04-06 西安交通大学 基于视频的行人自动检测与跟踪方法
CN107679528A (zh) * 2017-11-24 2018-02-09 广西师范大学 一种基于AdaBoost‑SVM集成学习算法的行人检测方法
CN109472302A (zh) * 2018-10-29 2019-03-15 中国石油大学(华东) 一种基于AdaBoost的支持向量机集成学习方法
CN111582350A (zh) * 2020-04-30 2020-08-25 上海电力大学 一种基于距离加权LSSVM的过滤因子优化AdaBoost方法及系统
CN111582350B (zh) * 2020-04-30 2022-12-27 上海电力大学 一种基于AdaBoost的复合材料损伤识别方法及系统

Similar Documents

Publication Publication Date Title
Zhao et al. Learning mid-level filters for person re-identification
CN104063719B (zh) 基于深度卷积网络的行人检测方法及装置
CN104537647B (zh) 一种目标检测方法及装置
CN111767882A (zh) 一种基于改进yolo模型的多模态行人检测方法
CN110070074A (zh) 一种构建行人检测模型的方法
CN105608441B (zh) 一种车型识别方法及系统
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
CN109766835A (zh) 基于多参数优化生成对抗网络的sar目标识别方法
CN104036284A (zh) 基于Adaboost算法的多尺度行人检测方法
Wang et al. Object proposal by multi-branch hierarchical segmentation
CN106650773A (zh) 一种基于SVM‑AdaBoost算法的行人检测方法
CN106023257A (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN104751475B (zh) 一种面向静态图像对象识别的特征点优选匹配方法
CN108280421B (zh) 基于多特征深度运动图的人体行为识别方法
CN104598889B (zh) 人体行为识别的方法和装置
CN110717554A (zh) 图像识别方法、电子设备及存储介质
CN106599864A (zh) 一种基于极值理论的深度人脸识别方法
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN105608443B (zh) 一种多特征描述及局部决策加权的人脸识别方法
CN113799124A (zh) 一种非结构化环境的机器人灵活抓取检测方法
Niu et al. Automatic localization of optic disc based on deep learning in fundus images
CN101826155A (zh) 一种基于哈尔特征和动态时序匹配的投篮动作识别方法
CN108960276A (zh) 提升光谱图像监督分类性能的样本扩充与一致性判别方法
CN110097067B (zh) 一种基于层进式特征变换的弱监督细粒度图像分类方法
Mu et al. Salient object detection in low contrast images via global convolution and boundary refinement

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170510