基于AdaBoost行人檢測優(yōu)化算法的研究*

楊 英，劉衛(wèi)國，鐘 令，李亞文

（1.東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，遼寧沈陽110819；2.浙江省汽車安全技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，浙江杭州311228）

0 引言

道路行人識(shí)別的核心是利用安裝在運(yùn)動(dòng)車輛上的攝像機(jī)檢測行人，從而估計(jì)出潛在的危險(xiǎn)以便采取策略保護(hù)行人［1］。基于統(tǒng)計(jì)分類的方法是通過機(jī)器學(xué)習(xí)，從一系列訓(xùn)練數(shù)據(jù)中得到一個(gè)分類器，利用該分類器對(duì)輸入窗口圖像進(jìn)行識(shí)別，并判斷是否為行人［2］?；诮y(tǒng)計(jì)分類方法的優(yōu)點(diǎn)是魯棒較好，但是需要很多訓(xùn)練數(shù)據(jù)，實(shí)時(shí)性差。目前，基于統(tǒng)計(jì)分類方法識(shí)別行人主要類型有：神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和AdaBoost方法。神經(jīng)網(wǎng)絡(luò)方法可以描述極為復(fù)雜的模式，已經(jīng)成功地應(yīng)用在字符識(shí)別和人臉檢測上，它在行人的檢測上也有應(yīng)用，但實(shí)時(shí)性和魯棒性都不夠理想。支持向量機(jī)是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的統(tǒng)計(jì)學(xué)習(xí)理論，該方法比神經(jīng)網(wǎng)絡(luò)方法具有更好的泛化能力。Ada?Boost是一種分類器組合的策略，它的目的是將一些弱分類器組合成一個(gè)強(qiáng)分類器，廣泛應(yīng)用于模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域［3］。

本研究提出一種基于AdaBoost 的行人檢測優(yōu)化算法，該算法在行人識(shí)別分類器訓(xùn)練時(shí)，通過在線更新分類器錯(cuò)誤率權(quán)重，實(shí)時(shí)調(diào)整權(quán)重系數(shù)，并采用擴(kuò)展的類Haar 特征，在保證分類器準(zhǔn)確率的前提下，降低分類器的級(jí)數(shù)，減少分類器識(shí)別行人所需時(shí)間，減少計(jì)算的復(fù)雜性，滿足實(shí)時(shí)性要求。

1 AdaBoost 權(quán)重更新算法的改進(jìn)

AdaBoost 是一種構(gòu)建準(zhǔn)確分類器的學(xué)習(xí)算法，該算法包括兩個(gè)基本問題［4］：一是每一輪循環(huán)中訓(xùn)練集上的樣本權(quán)重如何分布；二是多條弱規(guī)則如何合并成為一條準(zhǔn)確的預(yù)測規(guī)則。

1.1 傳統(tǒng)的AdaBoost算法

傳統(tǒng)的AdaBoost 算法，將訓(xùn)練集中的每一個(gè)樣本集賦予相同的權(quán)重ω。然后，進(jìn)行迭代運(yùn)算。該算法根據(jù)每次迭代運(yùn)算中樣本集的分類錯(cuò)誤率εt，對(duì)訓(xùn)練集中的每一個(gè)樣本集重新賦予一個(gè)新的權(quán)重值ωt。ωt是一個(gè)與εt相關(guān)的函數(shù)，即分類錯(cuò)誤率小的樣本集權(quán)重值小，反之，分類錯(cuò)誤率大的樣本集權(quán)重值大。

它含兩個(gè)步驟［5］：

式（1）為樣本權(quán)重更新過程，式（2）為樣本集歸一化過程。在傳統(tǒng)的AdaBoost 算法中，當(dāng)單個(gè)樣本權(quán)重更新時(shí)，如果前一輪弱分類器分類錯(cuò)誤，則那些樣本的權(quán)重不斷增大，結(jié)果每輪產(chǎn)生的弱分類器的錯(cuò)誤率相對(duì)增大，并在最后的加權(quán)投票中所占的權(quán)重變得很小。

1.2 樣本權(quán)重與分類錯(cuò)誤率的關(guān)系

權(quán)重與分類錯(cuò)誤率密切相關(guān)，分類錯(cuò)誤率由兩部分構(gòu)成：一是正樣本錯(cuò)分率（False Positive Rate，F(xiàn)PR），即包含行人的正樣本，沒有檢查出來；二是負(fù)樣本的錯(cuò)分率（False Negative Rate，F(xiàn)NR），即不包含行人的樣本，檢查出來是行人。為了能夠準(zhǔn)確地描述錯(cuò)分率，權(quán)重更新過程應(yīng)該同時(shí)考慮正負(fù)樣本錯(cuò)分率，因此，將式（1）的擴(kuò)展為：

式中：k—調(diào)節(jié)因子，可以調(diào)節(jié)或改變樣本權(quán)重。

為了研究樣本權(quán)重對(duì)分類錯(cuò)誤的影響規(guī)律，正、負(fù)樣本分布有3 種情況：①正、負(fù)樣本的分布比較均勻；②正樣本分布比較集中，負(fù)樣本分布比較分散；③負(fù)樣本分布比較集中而正樣本分布分散。為了描述樣本權(quán)重與分類錯(cuò)誤率的關(guān)系，本研究進(jìn)行仿真實(shí)驗(yàn)。

本研究將正、負(fù)樣本的分布通過二維平面內(nèi)的點(diǎn)集進(jìn)行仿真分析。用實(shí)心點(diǎn)表示正樣本，空心點(diǎn)表示負(fù)樣本。在Matlab 下，由rand 函數(shù)隨機(jī)生成一組點(diǎn)集，如圖1所示，每個(gè)點(diǎn)集都包含1 000 個(gè)數(shù)據(jù)。點(diǎn)集1中正樣本750個(gè)，負(fù)樣本250個(gè)，分別仿真3種不同分布情況，在AdaBoost 訓(xùn)練過程中，僅用樣本點(diǎn)的坐標(biāo)（x，y）作為簡單特征。為了分析FNR和FPR對(duì)新的權(quán)重更新方法的影響，本研究使用全局歸一化權(quán)重方法，并保持k=1不變。

圖1 樣本點(diǎn)集

通過大量仿真實(shí)驗(yàn)得出：

（1）當(dāng)負(fù)樣本分布比較集中而正樣本分布分散時(shí)，適合通過（1-FPR）作為指數(shù)修正樣本權(quán)重，增加算法對(duì)正樣本的重視度；

（2）對(duì)于正樣本分布比較集中而負(fù)樣本分布分散的情況，用（1-FNR）作為指數(shù)修正樣本權(quán)重更適合，增加算法對(duì)負(fù)樣本的重視度；

（3）當(dāng)正負(fù)樣本分布比較均勻時(shí)，根據(jù)需要可使用（1-FPR）或（1-FNR）作為指數(shù)來修正樣本權(quán)重，可以達(dá)到相同的效果。

1.3 閾值自適應(yīng)的權(quán)重更新

通過對(duì)權(quán)重與分類錯(cuò)誤率的關(guān)系進(jìn)行實(shí)驗(yàn)分析，本研究采用了一種閾值自適應(yīng)的權(quán)重更新算法［6］，這種算法的優(yōu)勢(shì)在于可以根據(jù)需要，限制FNR或FPR的值。在AdaBoost訓(xùn)練過程中，研究者先關(guān)注正樣本的分類正確率，當(dāng)FNR降低足夠小以后，再注重整體的誤差率，盡量降低負(fù)樣本的錯(cuò)分率。閾值自適應(yīng)權(quán)重更新算法：

（1）初始化，樣本權(quán)重初始值為1/N，N為樣本總數(shù)；

（5）全局歸一化樣本集，進(jìn)入下一輪訓(xùn)練。

注：f1—正樣本的錯(cuò)分率；f2—負(fù)樣本的錯(cuò)分率。并且f1＜f2，k＜1。

閾值自適應(yīng)的樣本權(quán)重更新優(yōu)化方法可以在保證整體誤差率一定的情況下，在更少的訓(xùn)練輪數(shù)內(nèi)迅速降低FNR的值。

2 擴(kuò)展的類Haar 特征

目標(biāo)特征的選取是實(shí)現(xiàn)目標(biāo)檢測的重要環(huán)節(jié)之一。類Haar 特征是行人檢測領(lǐng)域中廣泛運(yùn)用的一種常見特征，但由于其易受光照變化等因素的影響，該特征僅適用于靜態(tài)目標(biāo)檢測。本研究針對(duì)行人運(yùn)動(dòng)情況和光照情況定義了一個(gè)新的對(duì)角線特征，該擴(kuò)展特征能夠根據(jù)兩幀圖片的不同提取運(yùn)動(dòng)信息從而提高特征的魯棒性［7］。擴(kuò)展的類Haar 特征如表1所示。

表1 圖像（16×32）特征模板數(shù)量

本研究利用OpenCV 進(jìn)行樣本特征提取和強(qiáng)、弱分類器的訓(xùn)練，形成用于確定行人候選區(qū)域的級(jí)聯(lián)分類器。其中，所設(shè)置的訓(xùn)練階段數(shù)為N=24，檢測子窗口的大小為16×32，計(jì)算得到子窗口類Haar 特征數(shù)量如表1所示。所設(shè)置的每個(gè)階段分類器的最小命中率為0.995，總的錯(cuò)誤警告率0.5。

訓(xùn)練得到的行人分割級(jí)聯(lián)分類器包含24 個(gè)強(qiáng)分類器，每個(gè)強(qiáng)分類器包含了不同個(gè)數(shù)的弱分類器，每個(gè)弱分類器由一個(gè)Haar特征、閾值和指示不等號(hào)方向的組成，對(duì)于本研究的矩形特征來說，弱分類器的特征值就是上面計(jì)算的矩形特征的特征值。訓(xùn)練得到的前5 個(gè)強(qiáng)分類器中所包含的類Haar 特征及其數(shù)量如表2所示。

表2 前5個(gè)強(qiáng)分類器的類Haar特征數(shù)量

3 行人分割分類器的訓(xùn)練

AdaBoost 算法是一種分類器算法，是利用大量的分類能力一般的簡單分類器通過一定的方法疊加起來，構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器，再將若干個(gè)強(qiáng)分類器串聯(lián)成為級(jí)聯(lián)分類器完成圖像搜索檢測。具體訓(xùn)練步驟如下［8］：

（1）給定N個(gè)訓(xùn)練樣本組成的集合、弱分類器空間H。其中：xi—樣本特征向量，yi—對(duì)應(yīng)于行人假樣本和真樣本，。已知訓(xùn)練樣本包含有k個(gè)假樣本，l個(gè)真樣本，N=k+l。

（3）對(duì)于每個(gè)t=1,2,…,T（其中：T—訓(xùn)練次數(shù)）進(jìn)行如下操作：

①歸一化權(quán)重：

②對(duì)每個(gè)特征j，訓(xùn)練得到相應(yīng)的弱分類器hj(x)：

式中：pj—不等式的方向，只能取±1;fj(x)—特征值；θj—閾值。

③計(jì)算弱分類器的加權(quán)錯(cuò)誤率εj：

④選擇具有最小誤差εt的簡單分類器ht(x)加入到強(qiáng)分類器中去：

⑤按照這個(gè)最佳的簡單分類器ht(x)，采用前文1.3節(jié)中的閾值自適應(yīng)方法，更新每個(gè)樣本所對(duì)應(yīng)的權(quán)重。

（4）經(jīng)過T次迭代后，獲得了T個(gè)最佳弱分類器ht(x),h2(x),…h(huán)T(x)，可以將它們按照下面的方式組合成一個(gè)強(qiáng)分類器：

其中：?t=log[(1-εt)/εt]。

算法訓(xùn)練分類器的特點(diǎn)是:當(dāng)提取的分類器對(duì)于某些樣本分類正確時(shí)，減小這些樣本的權(quán)重；反之，則增加這些樣本的權(quán)重。其結(jié)果是，后序訓(xùn)練的簡單分類器就會(huì)更加強(qiáng)化對(duì)這些分類錯(cuò)誤樣本的訓(xùn)練，根據(jù)訓(xùn)練數(shù)據(jù)，取f1=0.054 3，f2=0.298 1，k=0.333 3。

4 行人識(shí)別實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證算法的有效性，本研究將該算法采用Vi?sual C++6.0編程實(shí)現(xiàn)。行人分類檢測系統(tǒng)在2.2 GHz的處理器1.00 GB 的內(nèi)存，WINDOWS XP 操作系統(tǒng)上運(yùn)行，分類器訓(xùn)練是在OpenCV軟件平臺(tái)上進(jìn)行，并將該程序加載訓(xùn)練得到的分類器，實(shí)現(xiàn)圖像中行人候選區(qū)域的在線分割。

訓(xùn)練樣本包括兩個(gè)行人圖像數(shù)據(jù)庫樣本，第一樣本庫選取2 700 個(gè)來自MIT 數(shù)據(jù)庫的行人圖像，第二樣本庫是來自東北大學(xué)校園的1 188 個(gè)拍攝圖像，訓(xùn)練樣本庫中部分樣本圖像如圖2所示。訓(xùn)練樣本分為真樣本和假樣本，訓(xùn)練樣本是通過手工標(biāo)定的方法獲取，它們的尺寸被統(tǒng)一進(jìn)行縮放成320×240 大小的圖像。

通過在校園內(nèi)試驗(yàn)分析，該試驗(yàn)得到了較好的效果，基本可以把行人分割出來。

圖2 訓(xùn)練樣本庫中部分圖像

本研究采用上述樣本分別采用傳統(tǒng)和改進(jìn)兩種方法進(jìn)行分類器離線訓(xùn)練，得到行人識(shí)別分類器，再應(yīng)用采集的118幅圖像作為測試集，判斷分類器性能，部分圖像的行人區(qū)域分割結(jié)果如圖3所示。從圖3中可以看出，該算法取得了很好的行人定位效果。

圖3 行人檢測結(jié)果

兩種方法的對(duì)比試驗(yàn)結(jié)果如表3所示?？梢姼倪M(jìn)后的算法實(shí)時(shí)性好，檢測速度快，系統(tǒng)檢測一幅320×240大小的圖像需要的時(shí)間僅為0.308 s。在保證檢測準(zhǔn)確率的前提下，提高了行人檢測的實(shí)時(shí)性。跟傳統(tǒng)的行人分割方法比較，基于AdaBoost 算法行人分割算法在速度方面具有很大的優(yōu)越性。

表3 傳統(tǒng)與改進(jìn)AdaBoost 算法對(duì)比

5 結(jié)束語

本研究提出一種基于AdaBoost 算法的新的行人檢測方法，針對(duì)類Haar特征易受光照變化等因素的影響，對(duì)其進(jìn)行了改進(jìn)和擴(kuò)展，增強(qiáng)了其光照不變性；然后，筆者對(duì)AdaBoost 算法加以改進(jìn)，提出了閾值自適應(yīng)的權(quán)重更新方法，該方法可以在保證整體錯(cuò)分率一定的情況下，有效地限制正樣本的錯(cuò)分率；也可以在保證整體錯(cuò)分率一定的情況下，根據(jù)實(shí)際需要限定正樣本或負(fù)樣本的錯(cuò)分率，明顯減少強(qiáng)分類器所需的特征數(shù)目，優(yōu)化分類器結(jié)構(gòu)，降低算法復(fù)雜性。試驗(yàn)結(jié)果表明：在相同的誤檢率下，改進(jìn)的AdaBoost 算法具備更少的檢測時(shí)間；在相同的訓(xùn)練層數(shù)下，改進(jìn)算法具有更高的識(shí)別率。

（References）：

［1］賈慧星，章毓晉.車輛輔助駕駛系統(tǒng)中基于計(jì)算機(jī)視覺的行人檢測研究綜述［J］.自動(dòng)化學(xué)報(bào)，2007，33（1）：84-90.

［2］常好麗，史忠科.基于單目視覺的運(yùn)動(dòng)行人檢測與跟蹤方法［J］.交通運(yùn)輸工程學(xué)報(bào)，2006，6（2）：55-59.

［3］孔凡芝，張興周，謝耀菊.基于AdaBoost 的人臉檢測技術(shù)［J］.應(yīng)用科技，2005，32（6）：7-9.

［4］呂慧娟，武 澎.基于改進(jìn)的AdaBoost 算法的人臉檢測［J］.河南大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，40（1）：81-84.

［5］SUN Yi-jun，TODOROVIC S，LI Jian.Unifying multi-class AdaBoost algorithms with binary base learners under the margin framework［J］.Pattern Recognition Letters，2007，28（5）：631-643.

［6］武 妍，項(xiàng)恩寧.動(dòng)態(tài)權(quán)值預(yù)劃分實(shí)值A(chǔ)daboost 人臉檢測算法［J］.計(jì)算機(jī)應(yīng)用研究，2007，24（10）：178-184.

［7］黃如錦，李 誼，李文輝，等.基于多特征的AdaBoost 行人檢測算法［J］.吉林大學(xué)學(xué)報(bào)：理學(xué)版，2010，48（3）：449-453.

［8］蔣 焰，丁曉青.基于多步校正的改進(jìn)AdaBoost 算法［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，48（10）：1613-1616.