CN107679528A - 一种基于AdaBoost‑SVM集成学习算法的行人检测方法 - Google Patents
一种基于AdaBoost‑SVM集成学习算法的行人检测方法 Download PDFInfo
- Publication number
- CN107679528A CN107679528A CN201711187024.2A CN201711187024A CN107679528A CN 107679528 A CN107679528 A CN 107679528A CN 201711187024 A CN201711187024 A CN 201711187024A CN 107679528 A CN107679528 A CN 107679528A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- sample
- mfrac
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于AdaBoost‑SVM集成学习算法的行人检测方法,其特征在于,所述方法包括如下步骤:S1:建立行人图像的数据库;S2:得到图像样本的特征向量;S3:对样本集进行采样,得到T组样本集;S4:得到T个分类器;S5:采集需要检测的行人图像;S6:得到需要检测图像的特征向量;S7:将需要检测图像的特征向量放入T个分类器进行检测,得到T个检测结果;S8:根据T个检测结果中哪个图像的特征向量被检测到的次数结果多,就将此图像作为最终的行人检测结果。这种方法能提高检测的准确率、提高识别的速度。
Description
技术领域
本发明涉及计算机视觉及安防监控领域,尤其涉及一种基于AdaBoost-SVM(Adaptive Boost-Support Vector Machine,简称AdaBoost-SVM)集成学习算法的行人检测方法。
背景技术
行人检测时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。近年来,随着网络技术的日新月异,行人检测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、尺度等因素的影响,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、模板匹配方法和基于深度学习的方法。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,Haar特征提取具有实时性较好的特点,广泛使用于智能辅助系统的行人检测,但这种特征的精度不高,而且容易受检测目标移动和光线等因素的影响。HOG特征具有较高精确性和鲁棒性,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特点。
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时且错误率高的问题,提出了一种基于AdaBoost-SVM集成学习算法的行人检测方法。这种方法能提高检测的准确率、提高识别的速度。
实现本发明目的的技术方案是:
一种基于AdaBoost-SVM集成学习算法的行人检测方法,所述方法包括如下步骤:
S1:使用高清摄像装置采集道路上的行人图像,作为样本集存入数据库中;
S2:对每一幅图像样本使用HOG检测算子提取特征,得到每一幅图像样本的特征向量;
S3:对样本集使用并行式集成学习方法(bagging)进行采样,得到T组样本集,每组样本集包含m个样本;
S4:对每一组样本集使用AdaBoost-SVM算法训练一个分类器,以此得到T个分类器;
S5:使用高清摄像装置采集道路上需要检测的行人图像;
S6:对需要检测的图像使用HOG检测算法提取特征,得到需要检测图像的特征向量;
S7:将需要检测图像的特征向量放入步骤S4中训练好的T个分类器进行检测,这样得到T个检测结果;
S8:采用投票法,根据T个检测结果中哪个图像的特征向量被检测到的次数结果多,就将此图像作为最终的行人检测结果。
所述步骤S1-步骤S4为训练单元,所述步骤S5-步骤S8为检测单元。
所述步骤S2包括:
S21.图像标准化:将输入图像转化为灰度图;
S22.计算梯度:图像中像素点(x,y)的梯度以及梯度幅值和方向为:
Gx(x,y)=f(x+1,y)-f(x-1,y)
Gy(x,y)=f(x,y+1)-f(x,y-1)
其中Gx(x,y)和Gy(x,y)分别表示输入图像中像素点(x,y)处的水平、垂直方向梯度值,M(x,y)表示梯度幅值,θ(x,y)表示梯度方向;
S23.将输入图像分割成相等大小的小格,并将几个小格合并为一个小块;
S24:方向通道的选取:将0°-180°或者0°-360°平均分成n个通道;
S25:直方图的获取:对每个小格中的每个像素统计它们的梯度方向直方图,直方图的横坐标为步骤S24中选取的n个方向通道,直方图纵坐标为属于某个方向通道的像素的梯度大小的累加和,最终得到一组向量;
S26:归一化处理:以向量对应的像素所在的小块为单位,对向量进行归一化处理,其公式如下:
其中,v*表示归一化之后的向量,v表示归一化之前的向量,表示向量的2阶范数,ε表示一个很小的常数,这里取0.01;它的值不会影响结果,目的是为了防止分母为0;
S27:形成HOG特征:将上面处理过的所有n个向量连接起来,形成一组向量,即为HOG特征。
所述步骤S3包括:给定包含m个样本的数据集,先随机取出一个样本放入采样集中,再把该样本放回初始数据集,使得下次采样时该样本仍有可能被选中,经过m次随机采样操作,就可以得到含m个样本的采样集,依此,采样出T个含m个训练样本的采样集。
所述步骤S4包括:
S41.确定非线性支持向量机高斯核函数的参数σ={σ1,σ2,…},C={C1,C2…};
S42.初始化训练数据的权值分布:
其中i=1,2,...,N;
S43:对于m=1,2,…,M:
(a)使用具有权值分布Dm的训练数据集学习,得到一个基于高斯核函数的非线性SVM分类器hm;
(b)计算hm在训练数据集上的分类误差率:
(c)计算hm的系数:
这里的对数是自然对数;
(d)更新训练数据集的权值分布:
Dm+1=(wm+1,1,…,wm+1,i,…,wm+1,N)
其中,i=1,2,…,N,这里,Zm是规范化因子:
它使Dm+1成为一个概率分布;
S44.构建基本分类器的线性组合:
得到最终的分类器:
G(x)=sign(f(x))。
与现有技术相比,本技术方案有以下优点:
1.本技术方案通过使用bagging(步骤S3)方法提取样本集,可以防止过拟合问题的发生;
2.本技术方案通过使用AdaBoost-SVM分类器,提高了检测的准确率;
3.本技术方案通过选择合适的SVM核函数的参数,采用训练好的SVM弱分类器作为AdaBoost的的基分类器,提高了识别的速度。
这种方法提高了检测的准确率、提高了识别的速度。
附图说明
图1为实施例中方法的流程示意图;
图2为采用实施例中的方法与其他方法的检测结果对比图。
具体实施方式
下面结合附图和实施例对本发明内容作进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种基于AdaBoost-SVM集成学习算法的行人检测方法,所述方法包括如下步骤:
S1:使用高清摄像装置采集道路上的行人图像,作为样本集存入数据库中;
S2:对每一幅图像样本使用HOG检测算子提取特征,得到每一幅图像样本的特征向量;
S3:对样本集使用并行式集成学习方法(bagging)进行采样,得到T组样本集,每组样本集包含m个样本;
S4:对每一组样本集使用AdaBoost-SVM算法训练一个分类器,以此得到T个分类器;
S5:使用高清摄像装置采集道路上需要检测的行人图像;
S6:对需要检测的图像使用HOG检测算法提取特征,得到需要检测图像的特征向量;
S7:将需要检测图像的特征向量放入步骤S4中训练好的T个分类器进行检测,这样得到T个检测结果;
S8:采用投票法,根据T个检测结果中哪个图像的特征向量被检测到的次数结果多,就将此图像作为最终的行人检测结果。
所述步骤S1-步骤S4为训练单元,所述步骤S5-步骤S8为检测单元。
所述步骤S2包括:
S21.图像标准化:将输入图像转化为灰度图;
S22.计算梯度:图像中像素点(x,y)的梯度以及梯度幅值和方向为:
Gx(x,y)=f(x+1,y)-f(x-1,y)
Gy(x,y)=f(x,y+1)-f(x,y-1)
其中Gx(x,y)和Gy(x,y)分别表示输入图像中像素点(x,y)处的水平、垂直方向梯度值,M(x,y)表示梯度幅值,θ(x,y)表示梯度方向;
S23.将输入图像分割成相等大小的小格,并将几个小格合并为一个小块;
S24:方向通道的选取:将0o-180o或者0o-360o平均分成n个通道;
S25:直方图的获取:对每个小格中的每个像素统计它们的梯度方向直方图,直方图的横坐标为步骤S24中选取的n个方向通道,直方图纵坐标为属于某个方向通道的像素的梯度大小的累加和,最终得到一组向量;
S26:归一化处理:以向量对应的像素所在的小块为单位,对向量进行归一化处理,其公式如下:
其中,v*表示归一化之后的向量,v表示归一化之前的向量,表示向量的2阶范数,ε表示一个很小常数,这里取0.01;它的值不会影响结果,目的是为了防止分母为0;
S27:形成HOG特征:将上面处理过的所有n个向量连接起来,形成一组向量,即为HOG特征。
所述步骤S3包括:给定包含m个样本的数据集,先随机取出一个样本放入采样集中,再把该样本放回初始数据集,使得下次采样时该样本仍有可能被选中,经过m次随机采样操作,就可以得到含m个样本的采样集,依此,采样出T个含m个训练样本的采样集。
所述步骤S4包括:
S41.确定非线性支持向量机高斯核函数的参数σ={σ1,σ2,…},C={C1,C2…};
S42.初始化训练数据的权值分布:
其中i=1,2,...,N;
S43:对于m=1,2,…,M:
(a)使用具有权值分布Dm的训练数据集学习,得到一个基于高斯核函数的非线性SVM分类器hm;
(b)计算hm在训练数据集上的分类误差率:
(c)计算hm的系数:
这里的对数是自然对数;
(d)更新训练数据集的权值分布:
Dm+1=(wm+1,1,…,wm+1,i,…,wm+1,N)
其中,i=1,2,…,N,这里,Zm是规范化因子:
它使Dm+1成为一个概率分布;
S44.构建基本分类器的线性组合:
得到最终的分类器:
G(x)=sign(f(x))。
本实施例随机抽取了单行人、多行人、远视图、近视图四种情况的视频图像作为测试样本集,采用HOG检测算法提取图像的特征,将AdaBoost-SVM集成学习算法分别于AdaBoost和SVM进行比较;其中漏检率为未检测出来的行人样本数目与行人样本总数的比值;误检率为非行人样本被检测为行人的数量与非行人样本的总数的比值,从检测指标反映出本发明AdaBoost-SVM集成学习算法检测性能优于其他两种算法。
为了说明实验的结果定义,如图2所示,对检测对比结果进行了比较,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AdaBoost-SVM集成学习算法、AdaBoost、SVM三种算法的运算时间比较,结果如表1所示。
表1三种算法的运行时间和漏检率比较
由表可见在相同误检率下,AdaBoost-SVM集成学习算法具有最少的漏检率和运算时间,由此本实施例AdaBoost-SVM集成学习算法实时性较高。
Claims (4)
1.一种基于AdaBoost-SVM集成学习算法的行人检测方法,其特征在于,所述方法包括如下步骤:
S1:使用高清摄像装置采集道路上的行人图像,作为样本集存入数据库中;
S2:对每一幅图像样本使用HOG检测算子提取特征,得到每一幅图像样本的特征向量;
S3:对样本集使用并行式集成学习方法(bagging)进行采样,得到T组样本集,每组样本集包含m个样本;
S4:对每一组样本集使用AdaBoost-SVM算法训练一个分类器,得到T个分类器;
S5:使用高清摄像装置采集道路上需要检测的行人图像;
S6:对需要检测的图像使用HOG检测算法提取特征,得到需要检测图像的特征向量;
S7:将需要检测图像的特征向量放入步骤S4中训练好的T个分类器进行检测,得到T个检测结果;
S8:采用投票法,根据T个检测结果中哪个图像的特征向量被检测到的次数结果多,就将此图像作为最终的行人检测结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2包括:
S21.图像标准化:将输入图像转化为灰度图;
S22.计算梯度:图像中像素点(x,y)的梯度以及梯度幅值和方向为:
Gx(x,y)=f(x+1,y)-f(x-1,y)
Gy(x,y)=f(x,y+1)-f(x,y-1)
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中Gx(x,y)和Gy(x,y)分别表示输入图像中像素点(x,y)处的水平、垂直方向梯度值,M(x,y)表示梯度幅值,θ(x,y)表示梯度方向;
S23.将输入图像分割成相等大小的小格,并将几个小格合并为一个小块;
S24:方向通道的选取:将0°-180°或者0°-360°平均分成n个通道;
S25:直方图的获取:对每个小格中的每个像素统计它们的梯度方向直方图,直方图的横坐标为步骤S24中选取的n个方向通道,直方图纵坐标为属于某个方向通道的像素的梯度大小的累加和,最终得到一组向量;
S26:归一化处理:以向量对应的像素所在的小块为单位,对向量进行归一化处理,其公式如下:
<mrow>
<msup>
<mi>v</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mfrac>
<mi>v</mi>
<msqrt>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>v</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msup>
<mi>&epsiv;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中,v*表示归一化之后的向量,v表示归一化之前的向量,表示向量的2阶范数,ε表示一个很小的常数,这里取0.01;
S27:形成HOG特征:将上面处理过的所有向量(不确定,请确定)连接起来,形成一组向量,即为HOG特征。
3.根据权利要求1所述的方法,其特征在于,所述步骤S3包括:给定包含m个样本的数据集,先随机取出一个样本放入采样集中,再把该样本放回初始数据集,使得下次采样时该样本仍有可能被选中,经过m次随机采样操作,就可以得到含m个样本的采样集,依此,采样出T个含m个训练样本的采样集。
4.根据权利要求1所述的方法,其特征在于,所述步骤S4包括:
S41.确定非线性支持向量机高斯核函数的参数σ={σ1,σ2,…},C={C1,C2…};
S42.初始化训练数据的权值分布:
<mrow>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mn>11</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>w</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>w</mi>
<mrow>
<mn>1</mn>
<mi>N</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>w</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中i=1,2,...,N;
S43:对于m=1,2,…,M:
(a)使用具有权值分布Dm的训练数据集学习,得到一个基于高斯核函数的非线性SVM分类器hm;
(b)计算hm在训练数据集上的分类误差率:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>e</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>&NotEqual;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
</mrow>
</msub>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>&NotEqual;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
(c)计算hm的系数:
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>e</mi>
<mi>m</mi>
</msub>
</mrow>
<msub>
<mi>e</mi>
<mi>m</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
这里的对数是自然对数;
(d)更新训练数据集的权值分布:
Dm+1=(wm+1,1,…,wm+1,i,…,wm+1,N)
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>w</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>Z</mi>
<mi>m</mi>
</msub>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>h</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,i=1,2,…,N,这里,Zm是规范化因子:
<mrow>
<msub>
<mi>Z</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
</mrow>
</msub>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>h</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
它使Dm+1成为一个概率分布;
S44.构建基本分类器的线性组合:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<msub>
<mi>h</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
得到最终的分类器:
G(x)=sign(f(x))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711187024.2A CN107679528A (zh) | 2017-11-24 | 2017-11-24 | 一种基于AdaBoost‑SVM集成学习算法的行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711187024.2A CN107679528A (zh) | 2017-11-24 | 2017-11-24 | 一种基于AdaBoost‑SVM集成学习算法的行人检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107679528A true CN107679528A (zh) | 2018-02-09 |
Family
ID=61149153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711187024.2A Pending CN107679528A (zh) | 2017-11-24 | 2017-11-24 | 一种基于AdaBoost‑SVM集成学习算法的行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679528A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020634A (zh) * | 2019-04-15 | 2019-07-16 | 刘政操 | 一种企业管理用资料展示板 |
CN113239761A (zh) * | 2021-04-29 | 2021-08-10 | 广州杰赛科技股份有限公司 | 人脸识别方法、装置以及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136539A (zh) * | 2013-03-08 | 2013-06-05 | 西安科技大学 | 接地网腐蚀速率等级预测方法 |
CN103208008A (zh) * | 2013-03-21 | 2013-07-17 | 北京工业大学 | 基于机器视觉的交通视频监控目标检测快速适应方法 |
CN103839279A (zh) * | 2014-03-18 | 2014-06-04 | 湖州师范学院 | 一种目标检测中基于vibe的粘连目标分割方法 |
US20140341421A1 (en) * | 2013-05-20 | 2014-11-20 | Mitsubishi Electric Research Laboratories, Inc. | Method for Detecting Persons Using 1D Depths and 2D Texture |
CN105046197A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于聚类的多模板行人检测方法 |
CN106096553A (zh) * | 2016-06-06 | 2016-11-09 | 合肥工业大学 | 一种基于多特征的行人流量统计方法 |
CN106503615A (zh) * | 2016-09-20 | 2017-03-15 | 北京工业大学 | 基于多传感器的室内人体检测跟踪和身份识别系统 |
CN106503627A (zh) * | 2016-09-30 | 2017-03-15 | 西安翔迅科技有限责任公司 | 一种基于视频分析的车辆避让行人检测方法 |
CN106650773A (zh) * | 2016-10-11 | 2017-05-10 | 酒泉职业技术学院 | 一种基于SVM‑AdaBoost算法的行人检测方法 |
CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
CN106897664A (zh) * | 2017-01-08 | 2017-06-27 | 广东工业大学 | 一种基于分布式大数据平台的行人检测方法 |
CN107038416A (zh) * | 2017-03-10 | 2017-08-11 | 华南理工大学 | 一种基于二值图像改进型hog特征的行人检测方法 |
CN107066968A (zh) * | 2017-04-12 | 2017-08-18 | 湖南源信光电科技股份有限公司 | 基于目标识别和跟踪的融合策略的车载行人检测方法 |
CN107174209A (zh) * | 2017-06-02 | 2017-09-19 | 南京理工大学 | 基于非线性动力学的睡眠阶段分期方法 |
-
2017
- 2017-11-24 CN CN201711187024.2A patent/CN107679528A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136539A (zh) * | 2013-03-08 | 2013-06-05 | 西安科技大学 | 接地网腐蚀速率等级预测方法 |
CN103208008A (zh) * | 2013-03-21 | 2013-07-17 | 北京工业大学 | 基于机器视觉的交通视频监控目标检测快速适应方法 |
US20140341421A1 (en) * | 2013-05-20 | 2014-11-20 | Mitsubishi Electric Research Laboratories, Inc. | Method for Detecting Persons Using 1D Depths and 2D Texture |
CN103839279A (zh) * | 2014-03-18 | 2014-06-04 | 湖州师范学院 | 一种目标检测中基于vibe的粘连目标分割方法 |
CN105046197A (zh) * | 2015-06-11 | 2015-11-11 | 西安电子科技大学 | 基于聚类的多模板行人检测方法 |
CN106096553A (zh) * | 2016-06-06 | 2016-11-09 | 合肥工业大学 | 一种基于多特征的行人流量统计方法 |
CN106503615A (zh) * | 2016-09-20 | 2017-03-15 | 北京工业大学 | 基于多传感器的室内人体检测跟踪和身份识别系统 |
CN106503627A (zh) * | 2016-09-30 | 2017-03-15 | 西安翔迅科技有限责任公司 | 一种基于视频分析的车辆避让行人检测方法 |
CN106650773A (zh) * | 2016-10-11 | 2017-05-10 | 酒泉职业技术学院 | 一种基于SVM‑AdaBoost算法的行人检测方法 |
CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
CN106897664A (zh) * | 2017-01-08 | 2017-06-27 | 广东工业大学 | 一种基于分布式大数据平台的行人检测方法 |
CN107038416A (zh) * | 2017-03-10 | 2017-08-11 | 华南理工大学 | 一种基于二值图像改进型hog特征的行人检测方法 |
CN107066968A (zh) * | 2017-04-12 | 2017-08-18 | 湖南源信光电科技股份有限公司 | 基于目标识别和跟踪的融合策略的车载行人检测方法 |
CN107174209A (zh) * | 2017-06-02 | 2017-09-19 | 南京理工大学 | 基于非线性动力学的睡眠阶段分期方法 |
Non-Patent Citations (1)
Title |
---|
柴明锐、万成祥著: "《数据挖掘技术在石油地质中的应用》", 30 September 2017, 天津科学技术出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020634A (zh) * | 2019-04-15 | 2019-07-16 | 刘政操 | 一种企业管理用资料展示板 |
CN113239761A (zh) * | 2021-04-29 | 2021-08-10 | 广州杰赛科技股份有限公司 | 人脸识别方法、装置以及存储介质 |
CN113239761B (zh) * | 2021-04-29 | 2023-11-14 | 广州杰赛科技股份有限公司 | 人脸识别方法、装置以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263774B (zh) | 一种人脸检测方法 | |
CN112861720B (zh) | 基于原型卷积神经网络的遥感图像小样本目标检测方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
CN105404886B (zh) | 特征模型生成方法和特征模型生成装置 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN103077512B (zh) | 基于主成分析的数字图像的特征提取与匹配方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN107506703A (zh) | 一种基于无监督局部度量学习和重排序的行人再识别方法 | |
CN104915673B (zh) | 一种基于视觉词袋模型的目标分类方法和系统 | |
CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN109766835A (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN113052185A (zh) | 一种基于Faster R-CNN的小样本目标检测方法 | |
CN107644227A (zh) | 一种用于商品图像搜索的融合多视角的仿射不变描述子 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
Pratama et al. | Face recognition for presence system by using residual networks-50 architecture | |
CN102129557A (zh) | 一种基于lda子空间学习的人脸识别方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN107679528A (zh) | 一种基于AdaBoost‑SVM集成学习算法的行人检测方法 | |
CN116740652B (zh) | 一种基于神经网络模型的锈斑面积扩大的监测方法与系统 | |
CN113496260A (zh) | 基于改进YOLOv3算法的粮库人员不规范作业检测法 | |
CN108257148A (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 |
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 |
Application publication date: 20180209 |
|
WD01 | Invention patent application deemed withdrawn after publication |