基于MPL—Boost算法的多姿態行人檢測方法

張莉

摘要：行人檢測在軌道交通、汽車輔助駕駛、電子警察等領域有廣泛的應用。本文針對復雜和實時跟蹤處理的行人檢測場景，提出了采用MPL-Boost（MultiplePoseLearning- Boosting），并且引進分段線性函數（Piece-wisefunction）作為MPL-Boost的弱分類器，提高分類器算法的分類性能的高效行人檢測方法。針對行人檢測數據集的實驗結果表明，基于MPL特征和弱分類器的分類行人檢測方法具有較好的性能。

關鍵詞：行人檢測； MPL-Boost； 分段線性函數；Boosting算法

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2016）26-0198-03

1 引言

近年來隨著智能信息技術的發展，對于行人檢測技術有更高的需求。比如：在軌道交通的視頻監控系統中，利用視頻行人檢測可以實現客流分析、旅客異常行為分析等功能以方便運營和安保；在汽車輔助駕駛中，基于行人檢測可以實時提醒駕駛員行進前方出現的行人，避免因為駕駛員視線被遮擋或者注意力分散導致的危險等；在基于視頻的電子警察系統中，利用行人檢測可以有效地避免因為行人的干擾導致的誤抓拍，大大減少垃圾照片的數量[1][2]。

行人檢測的方法主要分為兩類：一類是首先基于背景建?；蛘邘畹姆椒ㄌ崛〕鲞\動的前景區域，然后利用輪廓的幾何參數對前景進行分類[3]；另一類是基于統計學習的方法，首先提前人體的外觀特征，然后利用分類器進行建模學習[4]。第一類方法的缺陷在于對人體的描述過于簡單，而且要求攝像機固定不動。這樣會導致當行人與其他運動物體發生遮擋時會導致漏報，當場景內的其他運動目標容易導致誤報，以及當攝像機運動（輔助駕駛）或場景內關照干擾較多時（夜間車燈）系統完全失效。第二類方法相對于第一類方法的優勢在于對人體的描述更加詳細，并且基于數據驅動的方式進行統計學習得到的行人檢測器具有更好的區分性，可以減少第一類方法所無法解決的誤報和失效等問題。

在視頻行人檢測方面國內外雖然已有很多的研究成果，但目前尚未有一個通用、精確、高性能和實時多目標人體檢測算法。人體檢測的研究目前的難點主要在于：

1）人體的形狀不確定，尤其是在運動時等會有各種姿態，觀察的視角不同時，看到的人體形狀也會不同，這些原因造成人體類內模式的不固定。

2）人身上的衣服的多樣性，尤其在復雜的環境下，前景和背景的區分性不是很清晰。

3）遮擋情況，人體檢測要處理的數據很多是有遮擋的，尤其是在人比較密集的環境下，遮擋的情況比較嚴重，這種遮擋會影響檢測的性能。

4）光照變化，和其他視覺目標檢測任務一樣，不同環境下光照不一樣，這種差異對人體的檢測會起到很大影響。

在本文中將采用分類器MPL-Boost（MultiplePoseLearningBoosting），并且引進分段線性函數（Piece-wisefunction）作為MPL-Boost的弱分類器，提高分類器算法的分類性能。

2 基于多姿態學習的分類器

2.1多姿態學習問題

在人體檢測任務當中，由于人體的形狀不確定，尤其是在運動時等會有各種姿態，而且人在鏡頭的不同位置時，看到的人體形狀也會不同。這些原因造成人體類內模式的不固定，類內的模式比較大，在基線系統中，人體檢測部分并沒有關注這個問題，而是直接采用一個AdaBoost分類器統一建模，將變化很大的人體看成是同一類，進行分離器的訓練，這樣會使得分類性能不高。對于這種類內的變化，一種解決方式是通過人工將訓練樣本分子類，姿態相近的分為一個類，針對每個類別去訓練出一個相應的分類器，但是這種方式需要人工劃分樣本，費時費力。

在本文中采用改進的AdaBoost分類器MPL-Boost，能夠在訓練的時候同時訓練出多個強分類器，用這種多個分類器同時建模的方式來刻畫類內的變化，而且在訓練之前不需要對樣本分子類別。

2.2梯度下降Boosting算法

基于梯度下降的Boosting算法，該算法是由Friedman[1]提出，能夠引入更多形式的損失函數來推廣Boosting算法。主要思想是在訓練的時候利用梯度下降來優化定義的損失函數，從而在每一輪訓練時能夠挑選出最優的弱分類器，使得在訓練集上的損失代價最小。

在機器學習中二分類監督學習的一般過程，給定n個訓練樣本和對應的標記，我們的目標是學習一個分類函數，使得該函數不僅在訓練數據上有好的分類準確性，且對訓練數據集外的數據具有好的推廣性。Boosting是一種很成功的兩分類的機器學習算法，在Boosting中，我們的目標通常是訓練如下形式的分類器：