基于半监督学习行人检测方法研究.docVIP

基于半监督学习行人检测方法研究 　　摘 要：本文提出了基于半监督学习的行人检测方法，用以解决大量的无标记样本问题。在集成分类器的训练过程中，选择BP神经网络分类器、SVM分类器和KNN分类器作为3个子分类器，利用协同训练机制对各个子分类器进行协同训练。针对半监督学习中误标记样本问题，引入富信息策略和辅助学习策略消除训练过程引入的噪声，同时充分利用无标记样例，进而提高分类器的分类精度。通过对测试集和实时视频进行的行人检测实验，证明了本文方法的可行性和有效性。 　　关键词：行人检测；半监督；协同训练；BP神经网络；支持向量机 　　中图分类号:TP391.41 文献标识码： A DoI: 10.3969/j.issn.1003-6970.2012.06.007 　　Research on pedestrian detection based on semi-supervised learning 　　Ma Zhi-wei, CUI rong-yi, JIN Xiao-feng 　　(Intelligent Information Processing Lab., Dept. of Computer Science Technology, Yanbian University, Yanji 133002, China) 　　【Abstract】 In order to implement effective detection and utilize large numbers of unlabeled samples, a pedestrian detection method 　　based on Semi-Supervised learning was presented in this paper. Firstly, BP neural networks classifier, SVM classifier and KNN classifier were selected as the three sub-classifiers, and then, the Co-Training mechanism was adopted to train each classifier. Rich information strategy and assistant learning strategy were added in to remove the wrong-marked samples and improve the accuracy of the algorithm by making the most of unlabeled samples. through the experiments on the test set and real time videos, the feasibility and effectiveness of the approach are verified well. 　　【Key words】 pedestrian detection; Semi-Supervised learning; Co-Training; BP neural networks; SVM 　　 0 引言 　　行人检测是当前目标检测方面的研究热点之一，在视频监控、智能交通、人机交互、虚拟现实等领域有着广泛的应用[1-2]。基于视觉的行人检测属于人体运动分析的研究范畴，通过对人体的检测、跟踪、轨迹分析以及行为识别，系统可实时检测异常事件并报警，变被动监视为主动预警。行人检测除了具有的服饰变化、姿态变化、模式多样等难点外，还具有中远距离行人分辨率低、特征信息不明显、场景复杂多变等问题，这些困难使得行人检测成为一个极具挑战性的研究课题[3]。 　　目前比较常用的行人检测方法大致分为两大类[4]: 基于形状的方法和基于统计学习的方法。 　　1) 基于形状的方法又分为基于明确人体模型的方法[5]和基于模板匹配的方法[6]。前者需要构造明确的人体模型，可以处理遮挡问题及推断出人体的姿态，缺点是模型比较难构建，模型求解也比较复杂；后者通过存储一些灰度或轮廓模板来表示行人，其算法简单，但很难构造出足够的模板以处理不同的行人姿态。 　　2) 基于统计分类的方法通过从一系列训练数据中学习得到一个分类器。该方法的优点是鲁棒性较好，缺点是需要很多训练数据，并且很难解决姿态和遮挡的问题。常用的统计分类方法有基于神经网络(NN)的方法[7]、基于支持向量机(SVM)的方法[8,9]和基于Adaboost的方法[10]。 　　在很多实际数据集中，未标记样例的数量远大于已标记样例的数量。如果只使用少量已标记样例，训