面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，該方法基于Boosting-style的歸納遷移學(xué)習(xí)算法DTLBoost，從輔助數(shù)據(jù)中篩選樣本擴(kuò)展目標(biāo)數(shù)據(jù)集。首先利用基于k近鄰的樣本重要性度量模型評(píng)估輔助數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的相似度，為輔助數(shù)據(jù)中的不同樣本分配相應(yīng)的初始權(quán)重。在訓(xùn)練過(guò)程中，顯式地定義成員分類(lèi)器的預(yù)測(cè)不一致性程度，并結(jié)合當(dāng)前成員分類(lèi)器的預(yù)測(cè)錯(cuò)誤率對(duì)輔助數(shù)據(jù)和目標(biāo)數(shù)據(jù)樣本的當(dāng)前權(quán)重進(jìn)行迭代更新，從輔助數(shù)據(jù)中篩選出具有正遷移能力的樣本擴(kuò)展訓(xùn)練集，并鼓勵(lì)不同成員分類(lèi)器學(xué)習(xí)目標(biāo)數(shù)據(jù)的不同部分或方面。從而訓(xùn)練出泛化能力更強(qiáng)的集成分類(lèi)器，增強(qiáng)新場(chǎng)景中行人檢測(cè)的魯棒性。
【專(zhuān)利說(shuō)明】面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及行人檢測(cè)【技術(shù)領(lǐng)域】，具體為一種面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方 法。

【背景技術(shù)】
[0002] 訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)之間通常存在不可避免的數(shù)據(jù)分布差異性，這是導(dǎo)致多數(shù)基 于機(jī)器學(xué)習(xí)的遠(yuǎn)紅外行人檢測(cè)方法在場(chǎng)景因素變化較大時(shí)表現(xiàn)得不夠理想的主要原因之 一。具體來(lái)說(shuō)，一般行人檢測(cè)方案中采用的傳統(tǒng)機(jī)器學(xué)習(xí)算法默認(rèn)滿足下述基本假設(shè)：訓(xùn)練 數(shù)據(jù)和測(cè)試數(shù)據(jù)獨(dú)立同分布，即訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)通常來(lái)源于相似甚至相同的場(chǎng)景。當(dāng) 這個(gè)基本假設(shè)得不到滿足的時(shí)候，這類(lèi)基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的遠(yuǎn)紅外行人檢測(cè)方案通常 難以成功應(yīng)用。
[0003] 然而，在針對(duì)不同應(yīng)用場(chǎng)合的行人檢測(cè)系統(tǒng)中，由于測(cè)試視頻數(shù)據(jù)中潛在的場(chǎng)景 差異性，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)之間存在的數(shù)據(jù)分布差異性通常難以避免。產(chǎn)生這類(lèi)差異性 的主要因素包括：不同的氣候條件（行人衣著和/或環(huán)境隨溫度的改變而改變，由此將影響 行人散發(fā)的熱輻射能量、以及熱輻射能量被遠(yuǎn)紅外攝像頭接吸收的幅度）以及、不同的攝 像頭配置方案（如視角的變化將顯著影響目標(biāo)的外觀模式）等。因此，為了適時(shí)應(yīng)對(duì)新場(chǎng)景 中潛在的未知遠(yuǎn)紅外行人模式，需要從新場(chǎng)景中重新收集規(guī)模充足的訓(xùn)練數(shù)據(jù)（規(guī)模不充 分的訓(xùn)練數(shù)據(jù)容易造成過(guò)擬合問(wèn)題從而影響分類(lèi)器的泛化能力），重新訓(xùn)練適合新場(chǎng)景的 行人分類(lèi)器。但是這種傳統(tǒng)方案需要標(biāo)記足夠多的適時(shí)訓(xùn)練數(shù)據(jù)而存在高標(biāo)記成本問(wèn)題， 而且當(dāng)其他新場(chǎng)景出現(xiàn)時(shí)，這種無(wú)止境的高代價(jià)方案明顯阻礙高效率遠(yuǎn)紅外行人檢測(cè)系統(tǒng) 的建立。此外，直接拋棄原來(lái)已有的大量訓(xùn)練數(shù)據(jù)（即輔助數(shù)據(jù)）亦造成了資源的浪費(fèi)。
[0004] 以提高新場(chǎng)景中的行人檢測(cè)性能作為學(xué)習(xí)目標(biāo)，出現(xiàn)了大量致力于各種自適應(yīng)學(xué) 習(xí)算法的研究。各種在線學(xué)習(xí)或增量學(xué)習(xí)策略被用于離線更新行人分類(lèi)器。這類(lèi)方案大多 利用從輔助數(shù)據(jù)中學(xué)習(xí)得到的行人分類(lèi)器，在指定的新場(chǎng)景中搜索檢測(cè)置信度較高的目標(biāo) 模式（包括行人模式和背景模式）組成擴(kuò)展樣本集，以對(duì)行人分類(lèi)器進(jìn)行在線更新或者重 新訓(xùn)練，達(dá)到在指定新場(chǎng)景中準(zhǔn)確識(shí)別/檢測(cè)遠(yuǎn)紅外行人目標(biāo)的目的。例如，Wang等（Wang X Yj Hua Gj Han T X. Detection by detections:non-parametric detector adaptation for a video. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，2012)提出一種基于非參數(shù)估計(jì)的行人分類(lèi)器自適應(yīng)調(diào)整方法，建立基于層 次c均值聚類(lèi)的詞匯樹(shù)模型收集高置信度的檢測(cè)結(jié)果，并利用它們對(duì)其余低置信度的檢 測(cè)結(jié)果進(jìn)行排序和重組，進(jìn)而獲取擴(kuò)展樣本集。Sharma等（Sharma P，Huang C, Nevatia R. Unsupervised incremental learning for improved object detection in a video. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2012) 對(duì)行人分類(lèi)器獲得的檢測(cè)結(jié)果進(jìn)行跟蹤，將檢測(cè)結(jié)果與跟蹤結(jié)果進(jìn)行匹配，正確匹配者視 為新場(chǎng)景中表征行人模式的樣本，否則視為表征背景模式的樣本。上述方法的優(yōu)點(diǎn)在于無(wú) 需預(yù)先進(jìn)行標(biāo)記新場(chǎng)景中的目標(biāo)模式，但可能面臨兩個(gè)重要問(wèn)題：（1)擴(kuò)展樣本集中的樣 本可能包含數(shù)據(jù)標(biāo)記的噪聲，直接采用帶噪聲的擴(kuò)展樣本集難以保證更新后的行人分類(lèi)器 的可靠性；（2)當(dāng)行人分類(lèi)器泛化能力較差時(shí)，通常無(wú)法處理或收集新場(chǎng)景中不能被正確 檢測(cè)的行人模式，因?yàn)檫@類(lèi)行人模式并未包含在輔助數(shù)據(jù)中，也即無(wú)法通過(guò)學(xué)習(xí)獲取其信 息，難以保證更新后的分類(lèi)器能夠有效識(shí)別新場(chǎng)景中的各種行人模式。
[0005] 雖然目標(biāo)數(shù)據(jù)（當(dāng)前數(shù)據(jù)）和輔助數(shù)據(jù)（歷史數(shù)據(jù)）往往服從不同的數(shù)據(jù)分布，但 這些數(shù)據(jù)通常位于同一特征空間中，彼此之間仍具有一定的關(guān)聯(lián)性或相關(guān)性。具體地說(shuō)，部 分輔助數(shù)據(jù)和新場(chǎng)景中的數(shù)據(jù)具有較高的相似性，如果能夠提取具有較高相似性的輔助數(shù) 據(jù)并遷移到新場(chǎng)景中，將大大減少對(duì)新樣本標(biāo)記量的需求，促進(jìn)改善新場(chǎng)景中的行人檢測(cè) 的魯棒性° Cao 等（Cao X B, Wang Z, Yan P K, et al. Transfer learning for pedestrian detection. Neurocomputing, 2013)利用迭代調(diào)整訓(xùn)練數(shù)據(jù)權(quán)重的方式，過(guò)濾輔助數(shù)據(jù)中與 目標(biāo)數(shù)據(jù)相似度較低的"不利"樣本，提出基于實(shí)例遷移的ITLAdaBoost算法進(jìn)行未知場(chǎng) 景中的行人檢測(cè)。Pang 等（Pang J B, Huang Q M, Yan S C，et al. Transferring boosted detectors towards viewpoint and scene adaptiveness. IEEE Transactions on Image Processing，2011)提出一種基于局部特征遷移的學(xué)習(xí)方法，解決了視頻監(jiān)控領(lǐng)域中不同 攝像頭視角和變化場(chǎng)景中的行人檢測(cè)問(wèn)題，該方法利用CovBoost算法搜索輔助數(shù)據(jù)和目 標(biāo)數(shù)據(jù)之間共享的局部視覺(jué)特征，并將其進(jìn)行遷移從而協(xié)助行人分類(lèi)器的更新。謝堯芳等 (謝堯芳，蘇松志，李紹滋.基于稀疏編碼的遷移學(xué)習(xí)及其在行人檢測(cè)中的應(yīng)用.廈門(mén)大學(xué) 學(xué)報(bào)（自然科學(xué)版），2010)提出了一種基于稀疏編碼的遷移學(xué)習(xí)方法，利用稀疏編碼從未 標(biāo)記訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到一個(gè)緊湊的、有效的描述特征，并將該特征遷移到行人檢測(cè)問(wèn)題中。 Wang等（Wang M, Li ff,ffang X G. Transferring a generic pedestrian detector towards specific scenes. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2012)首先建立關(guān)系圖模型描述輔助數(shù)據(jù)和目標(biāo)數(shù)據(jù)之間的視覺(jué)相似度，以 調(diào)整輔助數(shù)據(jù)中的樣本權(quán)重，繼而根據(jù)新場(chǎng)景中目標(biāo)模式的運(yùn)動(dòng)信息以及所在場(chǎng)景的結(jié)構(gòu) 信息的評(píng)估，從新場(chǎng)景中獲取的擴(kuò)展數(shù)據(jù)的置信度，最后提出整合上述信息的Confidence Encoded SVM算法來(lái)指導(dǎo)遷移學(xué)習(xí)。
[0006] 遷移學(xué)習(xí)試圖通過(guò)"舉一反三"的方式，快速地將已有知識(shí)合理地關(guān)聯(lián)到新的 相似的問(wèn)題中，目前利用遷移學(xué)習(xí)解決變化場(chǎng)景中遠(yuǎn)紅外行人檢測(cè)問(wèn)題的研究尚處于起 步階段。鑒于遠(yuǎn)紅外圖像中目標(biāo)模式的成像性質(zhì)，雖然在不同氣候條件下，遠(yuǎn)紅外行人 的外觀模式通常存在較大差異性，但是，在特定氣候條件下的行人模式具有更強(qiáng)的相似 性；特定氣候條件下的遠(yuǎn)紅外行人檢測(cè)可以視為在指定場(chǎng)景中的檢測(cè)問(wèn)題。本發(fā)明公開(kāi) 一種 Boosting-style 的歸納遷移學(xué)習(xí)算法 DTLBoost (Data-level Transfer Learning AdaBoost)，該方法通過(guò)顯式度量的預(yù)測(cè)不一致性程度來(lái)評(píng)估不同成員分類(lèi)器之間的差異 性，從輔助數(shù)據(jù)中篩選具有正遷移能力的樣本，并鼓勵(lì)不同成員分類(lèi)器學(xué)習(xí)當(dāng)前目標(biāo)數(shù)據(jù) 中的不同部分或方面，保證算法能更充分地學(xué)習(xí)整個(gè)數(shù)據(jù)集，提高分類(lèi)器在新場(chǎng)景中的行 人檢測(cè)性能。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提供一種面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，旨在改善基于 傳統(tǒng)機(jī)器學(xué)習(xí)的行人檢測(cè)方法在變化場(chǎng)景中的行人檢測(cè)的適應(yīng)性和魯棒性。本發(fā)明通過(guò)如 下技術(shù)方案實(shí)現(xiàn)。
[0008] 面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，基于Boosting-style歸納遷移學(xué)習(xí)算法 DTLBoost,包括如下步驟：
[0009] (1)通過(guò)基于k近鄰算法的樣本重要性度量模型評(píng)估輔助數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的 相似性程度，為輔助數(shù)據(jù)中的不同樣本分配相應(yīng)的初始權(quán)重；
[0010] ⑵篩選訓(xùn)練數(shù)據(jù)集，訓(xùn)練成員分類(lèi)器；
[0011] (3)顯式地定義成員分類(lèi)器的預(yù)測(cè)不一致性程度，并結(jié)合當(dāng)前成員分類(lèi)器的預(yù)測(cè) 錯(cuò)誤率對(duì)輔助數(shù)據(jù)和目標(biāo)數(shù)據(jù)樣本的當(dāng)前權(quán)重進(jìn)行迭代更新；
[0012] (4)若滿足迭代終止條件，輸出行人分類(lèi)器，實(shí)現(xiàn)面向新場(chǎng)景的行人檢測(cè)；否則， 返回步驟（2)。
[0013] 進(jìn)一步的，步驟（1)所述輔助數(shù)據(jù)源自歷史場(chǎng)景中的足量已標(biāo)記樣本，所述目標(biāo) 數(shù)據(jù)源自新場(chǎng)景（當(dāng)前的目標(biāo)場(chǎng)景）中的少量已標(biāo)記樣本。
[0014] 進(jìn)一步的，步驟（1)所述相似性程度通過(guò)以下方法獲得：在相同的描述特征空間 中，針對(duì)每一個(gè)輔助數(shù)據(jù)樣本搜索k個(gè)目標(biāo)數(shù)據(jù)近鄰，累加該樣本與k個(gè)近鄰之間的高斯熱 核距離，用以描述該樣本與目標(biāo)數(shù)據(jù)之間的相似性程度，據(jù)此為其分配初始樣本權(quán)重。
[0015] 進(jìn)一步的，步驟（2)所述篩選訓(xùn)練數(shù)據(jù)集是指利用基于樣本權(quán)重的重采樣策略同 時(shí)從輔助數(shù)據(jù)和目標(biāo)數(shù)據(jù)中獲得訓(xùn)練樣本；所述成員分類(lèi)器是指在任一次迭代訓(xùn)練過(guò)程 中，通過(guò)弱學(xué)習(xí)算法在訓(xùn)練數(shù)據(jù)集上學(xué)習(xí)得到的分類(lèi)器。
[0016] 進(jìn)一步的，步驟（3)所述預(yù)測(cè)不一致性程度通過(guò)以下方法獲得：在當(dāng)前迭代過(guò)程 中，評(píng)估所有成員分類(lèi)器對(duì)每一個(gè)訓(xùn)練樣本的正確和錯(cuò)誤預(yù)測(cè)結(jié)果在數(shù)量上的差異性。
[0017] 進(jìn)一步的，步驟（3)所述結(jié)合當(dāng)前成員分類(lèi)器的預(yù)測(cè)錯(cuò)誤率對(duì)輔助數(shù)據(jù)和目標(biāo)數(shù) 據(jù)樣本的當(dāng)前權(quán)重進(jìn)行迭代更新是指：對(duì)于輔助數(shù)據(jù)，顯著提高被當(dāng)前成員分類(lèi)器預(yù)測(cè)正 確且具有低預(yù)測(cè)不一致性程度的樣本的權(quán)重；對(duì)于目標(biāo)數(shù)據(jù)，其權(quán)重更新策略兼顧被錯(cuò)誤 預(yù)測(cè)數(shù)據(jù)中的"困難"樣本和被正確預(yù)測(cè)數(shù)據(jù)中的"簡(jiǎn)單"樣本；但所述"困難"和"簡(jiǎn)單"樣 本均為具有較低預(yù)測(cè)不一致性程度的目標(biāo)數(shù)據(jù)。
[0018] 進(jìn)一步的，步驟（4)所述迭代中止條件是指達(dá)到預(yù)先設(shè)定的迭次訓(xùn)練次數(shù)。
[0019] 本發(fā)明提出的算法具有如下優(yōu)點(diǎn)和效果：（1)對(duì)于輔助數(shù)據(jù)，主要聚焦于被正確 預(yù)測(cè)且具有較高預(yù)測(cè)一致性程度的樣本，有利于避免負(fù)遷移現(xiàn)象。（2)對(duì)于目標(biāo)數(shù)據(jù)，不僅 聚焦于被錯(cuò)誤預(yù)測(cè)的樣本，還提高了被錯(cuò)誤預(yù)測(cè)數(shù)據(jù)集中的"困難"樣本和被正確預(yù)測(cè)數(shù)據(jù) 集中的"簡(jiǎn)單"樣本的權(quán)重；具體地說(shuō)，部分"簡(jiǎn)單"樣本有一定機(jī)會(huì)被選中進(jìn)而用于輔助目 標(biāo)任務(wù)中"困難"樣本的識(shí)別，經(jīng)過(guò)幾輪迭代之后，某些"困難"樣本將成為中后期的"簡(jiǎn)單" 樣本，而且它們?nèi)杂幸欢C(jī)會(huì)被選中并用于輔助其他"困難"樣本的識(shí)別；因此，不同成員分 類(lèi)器將擁有更多的機(jī)會(huì)聚焦于目標(biāo)任務(wù)中不同的"困難"樣本，從而鼓勵(lì)不同成員分類(lèi)器學(xué) 習(xí)目標(biāo)數(shù)據(jù)中的不同部分或方面，這種方式還有利于避免在迭代中后期可能出現(xiàn)的對(duì)少數(shù) "困難"樣本的過(guò)擬合問(wèn)題。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0020] 圖1為實(shí)施方式中面向變化場(chǎng)景的行人檢測(cè)方法流程的實(shí)施例圖。
[0021] 圖2為條件n:m = 0. 03:1和〇 = 10下，不同近鄰參數(shù)k對(duì)新場(chǎng)景中行人識(shí)別/ 檢測(cè)性能的對(duì)比實(shí)施例圖。
[0022] 圖3為條件n:m = 0. 03:1和k = 3下，不同高斯熱核寬度〇對(duì)新場(chǎng)景中行人識(shí) 另IJ/檢測(cè)性能的對(duì)比實(shí)施例圖。
[0023] 圖4為條件n:m = 0. 03:1下，不同集成學(xué)習(xí)算法在新場(chǎng)景中行人識(shí)別/檢測(cè)性能 及其變化趨勢(shì)的對(duì)比實(shí)施例圖。
[0024] 圖5為條件n:m = 0. 11:1下，不同集成學(xué)習(xí)算法在新場(chǎng)景中的行人識(shí)別/檢測(cè)性 能及其變化趨勢(shì)對(duì)比實(shí)施例圖。
[0025] 圖6為在不同目標(biāo)數(shù)據(jù)和輔助數(shù)據(jù)樣本數(shù)量比例的條件下，不同集成學(xué)習(xí)算法對(duì) 新場(chǎng)景中行人識(shí)別/檢測(cè)性能進(jìn)行評(píng)估與比較的實(shí)施例圖

【具體實(shí)施方式】
[0026] 以下結(jié)合附圖給出詳細(xì)的實(shí)施例操作過(guò)程。附圖所示實(shí)施例以本發(fā)明技術(shù)方案為 前提，附圖所述的實(shí)施例屬于但不限于本發(fā)明保護(hù)范圍。需指出的是，以下僅僅為舉例，若 有未特別詳細(xì)說(shuō)明的符號(hào)和過(guò)程，均是本領(lǐng)域技術(shù)人員可參照現(xiàn)有技術(shù)實(shí)現(xiàn)的。
[0027] 本實(shí)例的檢測(cè)方法的整體流程如圖1所示。
[0028](一）訓(xùn)練數(shù)據(jù)的準(zhǔn)備
[0029] 所有訓(xùn)練樣本均取自實(shí)拍的遠(yuǎn)紅外視頻，其中，絕大多數(shù)訓(xùn)練樣本從歷史的遠(yuǎn)紅 外視頻中獲得，組成輔助數(shù)據(jù)（設(shè)為m個(gè)），僅有少數(shù)訓(xùn)練樣本從新場(chǎng)景視頻中獲得，組成目 標(biāo)數(shù)據(jù)（設(shè)為η個(gè)，且n <<m)。所有訓(xùn)練樣本均為圖片樣本，其中，正樣本為包含行人模 式的圖片樣本，具體為處于靜止、行走和/或跑步等運(yùn)動(dòng)狀態(tài)的直立行人和/或使用人力交 通工具的人體，負(fù)樣本為僅包含背景模式的圖片樣本。
[0030] (二）基于遷移學(xué)習(xí)的行人檢測(cè)
[0031] 本發(fā)明基于Boosting-style的歸納遷移學(xué)習(xí)算法DTLBoost,該算法包括如下環(huán) 節(jié)：
[0032] (1)樣本重要性度量模型
[0033] 結(jié)合半監(jiān)督學(xué)習(xí)方法中類(lèi)別標(biāo)簽傳播的基本思想，提出樣本重要性度量模型評(píng)估 輔助數(shù)據(jù)樣本與目標(biāo)數(shù)據(jù)樣本的相似性程度，為具有較高相似性的輔助數(shù)據(jù)樣本分配較大 的初始權(quán)重。該模型能夠直接聚焦輔助數(shù)據(jù)中"最富"信息的部分樣本，確保在前期迭代訓(xùn) 練過(guò)程中，算法能更容易地選取適合目標(biāo)任務(wù)的輔助數(shù)據(jù)，從而提高集成遷移學(xué)習(xí)算法迭 代訓(xùn)練過(guò)程的收斂速度。
[0034] 針對(duì)輔助數(shù)據(jù)中的每一個(gè)樣本<，于特征空間中搜索k個(gè)目標(biāo)數(shù)據(jù)近鄰，然后根 據(jù)下式為其計(jì)算相應(yīng)的初始權(quán)重Vi :

【權(quán)利要求】
1. 面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，其特征在于該檢測(cè)方法基于 Boosting-style的歸納遷移學(xué)習(xí)算法DTLBoost，具體包括如下步驟： (1) 通過(guò)基于k近鄰算法的樣本重要性度量模型評(píng)估輔助數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的相似 性程度，為輔助數(shù)據(jù)中的不同樣本分配相應(yīng)的初始權(quán)重； (2) 篩選訓(xùn)練數(shù)據(jù)集，訓(xùn)練成員分類(lèi)器； (3) 顯式地定義成員分類(lèi)器的預(yù)測(cè)不一致性程度，并結(jié)合當(dāng)前成員分類(lèi)器的預(yù)測(cè)錯(cuò)誤 率對(duì)輔助數(shù)據(jù)和目標(biāo)數(shù)據(jù)樣本的當(dāng)前權(quán)重進(jìn)行迭代更新； (4) 若滿足迭代終止條件，輸出行人分類(lèi)器，實(shí)現(xiàn)面向新場(chǎng)景的行人檢測(cè)；否則，返回 步驟（2)。
2. 根據(jù)權(quán)利要求1所述面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，其特征在于，步驟（1)所 述輔助數(shù)據(jù)源自歷史場(chǎng)景中的足量已標(biāo)記樣本，所述目標(biāo)數(shù)據(jù)源自新場(chǎng)景即當(dāng)前的目標(biāo)場(chǎng) 景中的少量已標(biāo)記樣本。
3. 根據(jù)權(quán)利要求1所述面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，其特征在于，步驟（1)所 述相似性程度通過(guò)以下方法獲得：在相同的描述特征空間中，針對(duì)每一個(gè)輔助數(shù)據(jù)樣本搜 索k個(gè)目標(biāo)數(shù)據(jù)近鄰，累加該輔助數(shù)據(jù)樣本與k個(gè)近鄰之間的高斯熱核距離，用以描述該輔 助數(shù)據(jù)樣本與目標(biāo)數(shù)據(jù)之間的相似性程度，據(jù)此為其分配初始樣本權(quán)重。
4. 根據(jù)權(quán)利要求1所述面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，其特征在于，步驟（2)所 述篩選訓(xùn)練數(shù)據(jù)集是指利用基于樣本權(quán)重的重采樣策略同時(shí)從輔助數(shù)據(jù)和目標(biāo)數(shù)據(jù)中獲 得訓(xùn)練樣本；所述成員分類(lèi)器是指在任一次迭代訓(xùn)練過(guò)程中，通過(guò)弱學(xué)習(xí)算法在訓(xùn)練數(shù)據(jù) 集上學(xué)習(xí)得到的分類(lèi)器。
5. 根據(jù)權(quán)利要求1所述面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，其特征在于，步驟（3)所 述預(yù)測(cè)不一致性程度通過(guò)以下方法獲得：在當(dāng)前迭代過(guò)程中，評(píng)估所有成員分類(lèi)器對(duì)每一 個(gè)訓(xùn)練樣本的正確和錯(cuò)誤預(yù)測(cè)結(jié)果在數(shù)量上的差異性。
6. 根據(jù)權(quán)利要求1所述面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，其特征在于，步驟（3)所 述結(jié)合當(dāng)前成員分類(lèi)器的預(yù)測(cè)錯(cuò)誤率對(duì)輔助數(shù)據(jù)和目標(biāo)數(shù)據(jù)樣本的當(dāng)前權(quán)重進(jìn)行迭代更 新是指：對(duì)于輔助數(shù)據(jù)，顯著提高被當(dāng)前成員分類(lèi)器預(yù)測(cè)正確且具有低預(yù)測(cè)不一致性程度 的樣本的權(quán)重；對(duì)于目標(biāo)數(shù)據(jù)，其權(quán)重更新策略兼顧被錯(cuò)誤預(yù)測(cè)數(shù)據(jù)中的"困難"樣本和被 正確預(yù)測(cè)數(shù)據(jù)中的"簡(jiǎn)單"樣本；但所述"困難"和"簡(jiǎn)單"樣本均為具有較低預(yù)測(cè)不一致性 程度的目標(biāo)數(shù)據(jù)。
7. 根據(jù)權(quán)利要求1所述面向變化場(chǎng)景的遠(yuǎn)紅外行人檢測(cè)方法，其特征在于，步驟（4)所 述迭代中止條件是指達(dá)到預(yù)先設(shè)定的迭次訓(xùn)練次數(shù)。
【文檔編號(hào)】G06K9/66GK104239907SQ201410338632
【公開(kāi)日】2014年12月24日 申請(qǐng)日期:2014年7月16日 優(yōu)先權(quán)日:2014年7月16日
【發(fā)明者】劉瓊, 莊家俊, 申旻旻 申請(qǐng)人:華南理工大學(xué)