基于AdaBoost的一种行人检测模式分析摘要：本文提出了一种集成分类器设计方法。通过智能选择算法将一组弱分类器结合成为另一组强分类器，再将这些强分类器级联成性能更好的分类器，提出的策略通过优化组合基于AdaBoost的分类器，选择出综合性能最好的组合分类体系，有效提高了行人检测的准确性和效率。关键词：AdaBoost;行人检测;分类器DOI：10.16640/j.cnki.37-1222/t.2019.18.1131前言行人检测作为目标检测的一个重要分支，就实用价值而言，它广泛的应用于人机交互、视频监控、智能车辆等领域;就研究价值而言，由于人体不管是在角度、姿态、体型还是在灯光、服饰、部分遮挡等方面都会引起很大的变化，所以行人检测有一定的研究意义。目前主流的检测方法基本上可以归纳为两种：（1）基于背景建模的方法：将前景从图像中分离出来，并再将目标从前景中分离出来，最后进行目标的特征提取，判别分类。（2）基于统计学习的方法：即分类器的训练是基于大规模的训练样本。通常提取的目标特征包括形状、纹理、灰度等，常见的分类器有支持向量机、AdaBoost、决策树等。本文提出一种基于AdaBoost的行人检测优化算法，该算法引入优化权重的方法，提出一种基于级联分类器的行人检测方法。2AdaBoost算法的简介1995年，Freund和Schapire提出了AdaBoost算法[1]，这是一种基于Boosting算法的自适应算法。通过调整权重，将同一训练集上的弱分类器加权到最终的强分类器中。实质上算法是利用数据分布的改变来实现的，每个样本的权重也是在上次分类的正确度及每次样本子集中是否正确分类所有样本的基础上决定的。在权重改变之后的新样本集被用作训练下分类器的输入，然后在每一轮中获得的分类器是最终分类器。AdaBoost通过调整每个样本的权重来获得不同的样本集。首先，对具有相同初始权重的样本集进行弱分类器的训练，然后减小正确分类的样本的权重;增加错误分类样本的权重（为第轮各个样本在样本集中参与训练的概率），这样就逐渐凸出了那些错误分类的样本，如此便获得了一个新的样本集。依次重复便得到个弱分类器即：，其中表示的权重，的大小是根据对应分类器的分类性能来确定的。通过对组合的多个分类器进行加权来生成最终分类器。由此可看出Adaboost算法主要关注那些关键的训练数据，而剔除了不重要的数据特征。级联分类器即级联多个强分类器，每个强分类器都是加权组合随意个弱分类器而得。强分类器可以由不同数量的弱分类器组成。对于负样本的判断，每个级别的强分类器具有高准确率，因此只要发现检测窗口是负样本，丢弃此窗口会停止分类，从而大大节省了检测时间。级联分类器具备以下两个特征：（1）基于AdaBoost的学习算法。最初AdaBoost算法是用来组合一系列弱分类器为一个强分类器的[2-3]。若一个弱分类器就是单个的特征，那么该算法就能将少部分关键特征从庞大的特征集中筛选出来，故而它是一种十分高效的特征选择算法。（2）级联结构的分类器。所谓的级联是指包括许多级别的分类器，并且只有前一级别的样本可以进入后一级。因此，可以在前几个阶段快速消除许多非目标样本，从而为更像目标区域的检测节省了大量时间。3基于AdaBoost算法的行人检测3.1系统框架整个行人检测系统的基本框架流程如图所示，系统分为两个模块：离线培训和在线检测。训练分类器模块又包括特征提取和级联分类器训练，在检测时只要加载离线训练好的分类器即可，将两个模块独立可以节省时间。整个系统的输入是一张图像，输出为标记出行人的图像。3.2特征提取与分类器训练行人检测系统主要的核心在于特征的提取和分类器的训练[4]。（1）特征提取。在特征提取阶段，首先计算每個样本的积分图，然后以数组元素的形式将积分图放在内存中，循环每个子窗口时可直接调用数组元素来计算子窗口的矩形特征和三角特征，然后将二者进行算术相加即得该子窗口融合后的特征值。（2）分类器训练。首先计算样本集的积分图并执行特征提取，然后根据AdaBoost训练强分类器的设定阈值得到每个融合特征对应的一组弱分类器（其中阈值一般取该类特征的中值），再从中挑选最优弱分类器，调用AdaBoost算法加权组合为强分类器，最后将这些强分类...