基于Adaboost算法的行人檢測方法研究.pdf

1、本文對基于集成學習的行人檢測問題進行了較為深入的研究。主要工作如下： 1.從樣本集歸一化和樣本權重更新兩個角度分析了各種權重更新方法對分類器性能的影響，提出了一種擴展的樣本權重更新方法，在保證樣本整體錯分率的情況下，能降低正樣本的錯分率。在此基礎上，又提出了一種閾值自適應的權重更新方法，能根據實際需要調整正樣本或負樣本錯分率于預期的閾值之內。 2.提出了兩類新特征：一類是符合低分辨率下行人姿態(tài)的三角特征；另一類是增加特征

2、描述完備性的復合特征。采用遞歸思想給出了三角特征的計算方法，同時又給出了一種新的計算矩形特征的方法。實驗結果表明：三角特征、復合特征或改變計算方法后的矩形特征，可以明顯減少強分類器所需的特征數(shù)目，大大提高檢測率，從而優(yōu)化強分類器結構，提高分類器性能。 3.構建了一個實驗視頻數(shù)據庫。該庫由多個真實場景下拍攝的 80 余段視頻組成，包括典型場景下的雨天、陰影、多紋理等多種情況，可為背景建模、目標檢測、跟蹤、軌跡聚類與分析等算法的驗證