基于朋辈AdaBoost分类器级联的行人检测

摘要

针对训练数据不平衡和类内差异,本文提出了使用等同复杂度AdaBoost分类器的级联来检测行人,称为朋辈级联.利用难负样本挖掘操作,贪婪训练一系列的AdaBoost阶段分类器.朋辈级联不限制分类器的复杂度,从而得以利用更多负训练样本.并且,本文级联成为了强朋辈分类器的集成,从而能在一定程度上应对行人的类内差异.为就地训练出高检测率的AdaBoost分类器,提出提纯操作来丢弃一些难负样本.提纯操作替代以往直接降低分类器阈值的操作,保留了每个分类器的训练优化性能.实验结果表明,在Inria和Caltech pedestrian benchmark两个公开行人数据集,使用聚合通道特征(ACF)朋辈级联的检测性能比现有逐渐复杂分类器级联的检测性能好很多.使用RPN提取的深度学习特征时,朋辈级联的性能明显更好.