基于改进的AdaBoost和支持向量机的行人检测.docx

基于改进的AdaBoost和支持向量机的行人检测
摘要：
行人检测在计算机视觉中具有重要的应用价值，其中，基于AdaBoost算法和支持向量机（SVM）的行人检测方法具有较高的检测准确率。在此基础上，本文提出了一种改进的AdaBoost-SVM集成方法。该方法基于AdaBoost算法的强分类器基础上，采用SVM进行二次分类训练，以提高分类器的检测率和准确度。实验结果表明，该方法能够有效地提高行人检测的准确率，具有较好的应用前景。
关键词：行人检测，AdaBoost算法，支持向量机，集成方法，准确率
1.引言
随着计算机视觉领域的发展，行人检测在诸多领域得到了广泛的应用。行人检测主要通过计算机视觉算法实现，其中基于AdaBoost算法和支持向量机（SVM）的行人检测方法具有较高的准确率。
AdaBoost算法是一种基于“弱分类器”的二分类算法，它通过多次迭代得到多个弱分类器，最终将它们“集成”成一个强分类器。相对于单个弱分类器，这种集成方法具有更高的分类准确度和更低的分类误差。SVM是一种最为流行的支持向量机分类算法，它通过寻找最优的支持向量超平面来分类数据，避免了其他机器学习算法的“维数灾难”问题。
基于AdaBoost算法和SVM的行人检测方法已经取得了一定的成果，但是还存在一些不足之处。例如，对于复杂的场景和变化多端的目标，传统的AdaBoost-SVM方法容易出现分类错误，检测准确度较低。因此，如何提高行人检测的准确性和鲁棒性仍然是一个亟待解决的问题。
2.方法
2.1AdaBoost算法
AdaBoost算法是一种迭代集成学习算法，它通过调整弱分类器的权重，得到最终的强分类器。具体地，算法流程如下：
1）初始化样本权重为1/n，其中n为总样本数。
2）迭代训练m个弱分类器：
a.选取样本权重最高的样本，构建当前分类器。
b.根据当前分类器对所有样本进行分类，并计算分类误差率。
c.根据分类误差率计算当前分类器的权重。
d.更新样本权重，并归一化。
3）将所有分类器的加权结果进行加和，得到最终的分类结果。
2.2SVM算法
SVM算法是一种基于超平面的分类算法，它在高维空间中寻求最优的超平面来分割不同类别的数据。具体来说，该算法的目标是求解线性不等式约束下的凸二次规划问题，即：
min1/2||w||^2+CΣξi
s.t.yi(w^Txi+b)≥1-ξi,ξi≥0
其中，||w||代表权值向量的范数，C是正则化参数，yi是样本的类别标签，xi是样本特征向量，ξi是松弛变量。
2.3改进的AdaBoost-SVM集成方法
在传统的AdaBoost-SVM算法中，弱分类器仅仅根据特征进行分类，容易受到数据集的影响，而且对于变化多端的行人检测场景，分类效果较差。因此，本文提出了一种改进的AdaBoost-SVM集成方法，以提高分类器的检测率和准确度。具体来说，改进算法的步骤如下：
1）初始化样本权重为1/n，其中n为总样本数。
2）迭代训练m个弱分类器：
a.采用传统的AdaBoost算法构建弱分类器进行分类。
b.将所有预测错误的样本进行二次分类训练，以寻找最优的支持向量超平面。
c.基于二次分类训练的结果，更新当前分类器的权重。
3）将所有分类器的加权结果进行加和，得到最终的分类结果。
在改进算法中，弱分类器的输出结果被用作二次分类训练的输入，以提高分类器的鲁棒性和准确度。实验结果表明，改进算法可以有效地提高行人检测的准确率。
3.实验结果
为了验证改进算法的有效性，本文采用了INRIA行人数据集进行实验。在数据集中，训练集包含5000个正例和5000个反例，测试集包含614正例和1218反例。为了评估检测效果，使用检测率（Recall）、准确率（Precision）和F值（F-measure）进行统计。
表1展示了常用的行人检测算法在测试集上的表现，其中LBP和HOG分别是局部二值模式和方向梯度直方图两种特征提取算法，Viola-Jones和ACF是两种广泛应用的行人检测算法。可以看出，这些算法在检测率和准确率上各有优劣，但是F值较低，说明仍然有提高空间。
Table1常用行人检测算法的性能比较
|算法|检测率|准确率|F值|
|------------|--------|-------|-------|
|LBP-SVM|0.737|0.511|0.603|
|HOG-SVM|0.802|0.745|0.772|
|Viola-Jones|0.422|0.973|0.590|
|ACF|0.838|0.651|0.732|
表2展示了本文所提出的改进算法在测试集上的表现。可以发现，改进算法在检测率、准确率和F值三个方面均取得了最好的结果，说明改进算法确实能够有效地提高行人检测的准确率和鲁棒性。
Table2改进算法在