人正例， 而只要未通過其中任何一個分類器的檢驗，則會被判別為負例。
[0076] 由于訓練樣本的初始權重設置往往不是最優(yōu)的，根據(jù)最后的結(jié)果又可以進一步優(yōu) 化權重，優(yōu)化權重后會再次重新確定最優(yōu)多任務基本決策樹?？梢灶A先設置進一步循環(huán)迭 代的次數(shù)，如迭代N次，則得到N個最優(yōu)多任務基本決策樹及其權重，然后根據(jù)所有最優(yōu)多 任務基本決策樹及其權重得到最終多任務決策樹。
[0077] 本實施例中，采用Adaboost算法實現(xiàn)基于多任務基本決策樹的弱分類器迭代 優(yōu)化，以及對這些弱分類器的級聯(lián)合并增強。具體地，首先在給定的樣本空間S上初 始化一個分布Dinit，然后采用循環(huán)迭代的方式不斷優(yōu)化：在每次循環(huán)t中，首先按照步 驟S7、S8中所述方法得到最優(yōu)的多任務基本決策樹h\然后計算當前的分類誤差et=
err(1ΛS，D》，并根據(jù)此誤差計算相應多任務基本決策樹的權 來利用此權重對樣本空間S中的每個樣本e更新其分布，如果predOAe) =y(e)(表示 當前樣本預測輸出與樣本標簽相符，即樣本分類正確），則其新的分布按照如下方式更新

，否則按照如下方式更 次循環(huán)中優(yōu)化得到的各個弱分類器合并為一個增強的分類器其 中Τ為預先設定的最大循環(huán)迭代次數(shù)。
[0079] 本發(fā)明提供的建立行人檢測模型的方法，根據(jù)最小的分類誤差值調(diào)整訓練樣本的 權重，重新確定最優(yōu)多任務基本決策樹。獲取所有最優(yōu)多任務基本決策樹的權重，根據(jù)所有 最優(yōu)多任務基本決策樹及其權重得到最終多任務決策樹。該方案把在不同遮擋程度下的 行人檢測看作一系列不同但互相關聯(lián)的任務，通過采用多任務學習算法將不同遮擋程度下 的訓練樣本映射到一個共同子空間中，同時考慮他們之間的區(qū)別與聯(lián)系，并在此基礎上訓 練一個級聯(lián)增強的分類器，根據(jù)所有最優(yōu)多任務基本決策樹及其權重得到最終多任務決策 樹，從而能夠提高不同遮擋程度下行人檢測的準確率。
[0080] 實施例2:
[0081] 本實施例中提供一種行人檢測方法，使用實施例1所述的行人檢測模型進行行人 檢測，包括如下步驟：
[0082]S11、從待測樣本中提取特征值。利用滑動窗檢測策略將待測圖像分為許多重疊的 窗口作為待測樣本的候選區(qū)域，然后針對這些待測樣本提取特征值。
[0083]S12、將所述特征值輸入所述最優(yōu)多任務基本決策樹/最終多任務決策樹。然后對 于每個候選區(qū)域使用所述實施例1中建立的行人檢測模型作為分類器判斷其是否包含行 人。
[0084]S13、將所述最優(yōu)多任務決策樹/最終多任務決策樹的輸出作為行人檢測的結(jié)果。 使用非極大值抑制方法去除重復的窗口以得到最終的檢測結(jié)果。
[0085] 本實施例中提供將行人檢測模型和行人檢測方法在行人檢測中的應用，該行人檢 測方法中，把在不同遮擋程度下的行人檢測看作一系列不同但互相關聯(lián)的任務，通過采用 多任務學習算法將不同遮擋程度下的訓練樣本映射到一個共同子空間中，從而能夠同時考 慮他們之間的區(qū)別與聯(lián)系，以提高不同遮擋程度下行人檢測的準確率。
[0086] 實施例3
[0087] 本實施例提供一種采用實施例1中的建立行人檢測模型的方法，針對行人檢測領 域進行行人檢測的具體方案。本實施例提供一種基于多任務遮擋處理的行人檢測方法，包 括建立行人檢測模型和進行行人檢測兩個過程，將行人檢測數(shù)據(jù)庫分為訓練集和測試集， 其中訓練集用于建立行人檢測模型，測試集用于對建立的行人檢測模型進行檢測。
[0088] 建立行人檢測模型的過程包括如下：
[0089] (1)將訓練集中的行人樣本分為不同遮擋程度的行人樣本。
[0090] 對于遮擋程度的區(qū)分有許多不同的標準，本實施例中，用以區(qū)分不同遮擋程度的 標準為遮擋百分比，即行人樣本中被遮擋的部分占到整個行人樣本面積的比例。對遮擋程 度的精細化區(qū)分可能會提高檢測的精度但同時也相應增加了計算復雜度。本實施例中選擇 了兩類行人樣本，此處以部分遮擋（遮擋百分比在35%以內(nèi)）和嚴重遮擋（遮擋百分比在 80%以內(nèi)）為例，則行人樣本可分為部分遮擋程度下的行人樣本和嚴重遮擋程度下的行人 樣本。
[0091] (2)將訓練集分為包括不同遮擋程度行人樣本的訓練子集，并分別對每個訓練子 集中的樣本提取特征。
[0092] 本實施例中，以部分遮擋和嚴重遮擋為例進行劃分，則訓練樣本可分為部分遮擋 訓練樣本χΡ和嚴重遮擋訓練樣本χΗ，其中部分遮擋訓練樣本xp包括部分遮擋程度下的行人 樣本及背景樣本，嚴重遮擋訓練樣本χΗ包括嚴重遮擋程度下的行人樣本及背景樣本，并分 別對這些樣本提取特征。本發(fā)明中優(yōu)選HSV顏色特征、梯度幅值特征和方向梯度直方圖特 征。
[0093] (3)針對不同遮擋程度樣本的特征，通過多任務學習算法獲得一個最優(yōu)的多任務 基本決策樹，以同時考慮不同遮擋程度樣本之間的關系。
[0094] 這里以部分遮擋訓練樣本和嚴重遮擋訓練樣本為例，其實際上分別對應了兩個二 值分類任務：判斷部分遮擋程度下的行人樣本及背景樣本是否為行人（記為TP)，和判斷嚴 重遮擋程度下的行人樣本及背景樣本是否為行人（記為ΤΗ)。具體地，任務ΤΡ可以定義為： ΧΡ為訓練樣本空間，ΥΡ為對應的樣本標簽，DP為ΧΡ上的一個分布，fΡ:ΧΡ-ΥΡ為目標函數(shù)， 給定一個樣本SP= {(X，fρ(X)) |Xeχρ}，目標則為尋找一個最優(yōu)的分類函數(shù)hP使得分類錯 誤率Prx~Dp[hP(x)矣fP(x)]最小。任務τΗ可以按照類似方式進行定義。傳統(tǒng)的檢測方法 將這兩個任務看作獨立的問題分別求解，而本實施例的方案中將利用多任務學習方法同時 考慮并求解，其多任務問題具體定義如下：記D為樣本空間X=ΧΡυXΗ上的一個分布，給定 一個樣本s=SPUSΗ，目標為尋找一個最優(yōu)的分類函數(shù)h:Χ-ΤΡXΥΗ使得分類錯誤率Pr<χ, ^[Μχ)辛仁⑴]最小，這里Μχ)是h(x)的各個組成部分且ie{Ρ，Η}。
[0095] 為了求解上述多任務問題，首先需要建立若干弱分類器，在本實施例中選擇決策 樹的方式，而其基礎為基本（一層）決策樹，即由一個根節(jié)點和兩個預測節(jié)點所組成的決策 樹，根節(jié)點為輸入節(jié)點，預測節(jié)點為輸出節(jié)點。顯然此類傳統(tǒng)的基本決策樹只適用于單一的 分類問題，因此本發(fā)明中將其擴展為多任務形式以便同時考慮多個任務。針對上述兩個二 值分類任務，其多任務基本決策樹由兩層所構(gòu)成：第一層為根節(jié)點，由一個傳統(tǒng)的基本決策 樹構(gòu)成，用以處理兩個分類任務中的一個（任務Τρ或任務ΤΗ);第二層為兩個預測節(jié)點，分 別由一個傳統(tǒng)的基本決策樹構(gòu)成，用以處理兩個分類任務中的另一個。
[0096] 為了有效構(gòu)建上述多任務基本決策樹，本發(fā)明中采用貪心算法，即遍歷搜索所有 可能的多任務基本決策樹然后保留分類誤差最小的一個作為最優(yōu)基本決策樹。具體地，首 先在兩個分類任務間遍歷，因為其中任何一個都可以作為根節(jié)點；然后在三個傳統(tǒng)的基本 決策樹（一個用于多任務基本決策樹的根節(jié)點，另外兩個用于多任務基本決策樹的預測節(jié) 點）之間遍歷；最后遍歷所有提取出的特征以及每種特征所有可能的取值，如果當前特征 大于當前取值，則將樣本判別為正例，否則判別為負例，并根據(jù)以下公式計算分類誤差：
[0098]最終選擇使得分類誤差最小的那個作為最優(yōu)多任務基本決策樹h=argminh.err(hj;S,D) 〇
[0099] (4)基于所述的多任務基本決策樹獲得一個級聯(lián)增強的最終分類器，以判斷樣本 是否為行人。
[0100] 本發(fā)明中采用一定深度（比如深度為5)的決策樹作為弱分類器，這些弱分類器正 是基于步驟（3)中所述的多任務基本決策樹構(gòu)建而成，其中每個節(jié)點對應一個多任務基本 決策樹。然后若干個弱分類器通過級聯(lián)的方式合并為一個強分類器，用以判斷樣本是否為 行人。在此方式下，只有當樣本依次通過了所有弱分類器的檢驗，才會被判別為行人正例， 而只要未通過其中任何一個分類器的檢驗，則會被判別為負例。
[0101] (5)在訓練階段，利用訓練樣本迭代地優(yōu)化所述多任務基本決策樹以及所述級聯(lián) 增強分類器。
[0102] 本發(fā)明中采用Adaboost算法實現(xiàn)基于多任務基本決策樹的弱分類器迭代優(yōu)化， 以及對這些弱分類器的級聯(lián)合并增強。具體地，首先在給定的樣本空間S上初始化一個分 布Dinit，然后采用循環(huán)迭代的方式不斷優(yōu)化：在每次循環(huán)t中，首先按照步驟（3)中所述方 法得到最優(yōu)的多任務基本決策樹ht，然后計算當前的分類誤差et=err(h\S，D)，并根據(jù)
中T為預先設定的最大循環(huán)迭代次數(shù)。
[0103] (6)在檢測階段，使用所述的分類器對待檢測樣本進行檢測，得到最終的檢測結(jié) 果。
[0104]