代价敏感参数动态寻优机制的行人检测算法
张阳;刘伟铭;吴义虎;郑兆鹏
【摘 要】提出一种基于动态代价敏感参数寻优机制的行人检测算法。该算法引入代价敏感的支持向量机分类算法，通过设置代价敏感参数处理图像中行人与非行人样本数量间的非均衡问题。考虑到代价敏感参数值的选择对检测性能影响很大，提出一种基于T变异的混沌粒子群算法，同时融入混沌算法及T变异函数提高粒子的全局搜索能力，并以正负样本正确分类的最佳折中作为寻优原则，在代价敏感权重值的取值区域内对参数进行动态寻优。实验结果证明，代价敏感参数动态寻优机制的行人检测算法有利于提高检测精度。%A pedestrian detection algorithm bad on mechanism of dynamic cost-nsitive parameters optimization is pro-pod. This algorithm introduces a cost-nsitive SVM classification algorithm by tting cost-nsitive parameters to pro-cess the problem of class-imbalanced between the sample size of pedestrian and non-pedestrian in an image. Taking into account the lection of cost-nsitive parameters’values has a great influence on the detection performance, the paper propos a chaotic particle swarm optimization algorithm bad on 创新项目计划书
T mutation that can improve the global arch ability of particles by chaos algorithm and T mutation function, and using the best compromi between positive and negative samples correctly classified as the principle of optimization to optimize dynamically in the range of cost-nsitive weight value. Experimental results show that the pedestrian detection algorithm bad on cost-nsitive parameters dynamic opti-mization mechanism is conducive to improve the detection accuracy.
【期刊名称】《计算机工程与应用》
【年(卷),期】2014(000)015
【总页数】5页(P145-149)
【关键词】计算机视觉;行人检测;代价敏感;粒子群;T变异
【作 者】张阳;刘伟铭;吴义虎;郑兆鹏
【作者单位】福建工程学院 交通运输系，福州 350108;华南理工大学 土木与交通学院，广
州 510640;长沙理工大学 交通运输工程学院，长沙 410004;华南理工大学 土木与交通学院，广州 510640
【正文语种】中 文
【中图分类】TP391.41
1 引言
基于视频的行人检测是计算机视觉及智能交通领域中的一个热点研究方向[1]。基于机器学习思想的视频行人检测方法是目前该领域的主流[2]。该思想通过从大量训练样本中提取行人特征，并结合相应的分类算法对视频图像信息进行分类，提取具有行人特征的目标实现行人目标的准确检测。因此，如何对有效的行人特征进行快速准确的分类是决定行人检测系统成败的关键影响因素之一。文献[2]提出一种由粗到精级联分类算法，分别使用Adaboost算法和SVM算法作为分类器的上下层，逐层检测目标行人。该方法大大降低了检测虚警率。但是该算法没有考虑行人检测中存在的正负样本数量上非均衡（正样本的数量远少于负样本的数量）问题，分类面会向样本数量少的方向移动，导致分类器过分关注负
样本，降低了分类精度[3-4]。文献[5]提出一种非均衡Adaboost行人分类算法，该算法充分考虑行人检测中存在的正负样本数量上非均衡问题，设置不同的正负样本误分类代价值，使分类器更加偏重于对行人的关注。然而，由于缺少对误分类代价参数的动态优化选取机制，该方法的分类能力依赖于参数的正确选取，检测能力有待提高。
本文针对现有分类算法的上述不足，提出一种动态代价敏感参数寻优机制的CS-SVM分类算法。该算法首先引入误分类代价敏感的思想对分类器的实现算法加以改进，利用代价敏感的支持向量机（CS-SVM）搭建分类器，通过设置代价敏感的误分类权重值，并建立一种新的动态代价敏感误分类权重值寻优机制，解决样本非均衡性所带来的检测难题，从而进一步完善分类算法的分类能力，提高系统的检测性能。
2 CS-SVM算法
e过去分词
为了解决行人检测中存在的正负样本非均衡问题，在传统SVM算法的基础上引入代价敏感的思想。该思想的本质是根据样本数量的不同，设置不同样本的误分类代价值，从而使分类器具备误分类代价敏感性，用以处理分类样本数量间的非均衡问题[3-4]。
假设一个训练样本集{(xi，yi)，i=1，2，…，n}由n个样本组成，xi∈Rd为样本特征空间，yi∈{1，-1}为类别标号，d为空间维数。CS-SVM的任务依然是找出最优分类的超平面，故需要解决如下优化问题：
式中，ω和xi均为d维列向量，γ∈[0，1]为代价敏感的误分类权重值，该值的大小控制分类器的代价敏感性和误分类后的惩罚值，v∈[0，1]为控制支持向量数量的参数，ξi是松弛变量，I+={i:yi=+1}和I-={i:yi=-1}分别表示正负训练样本的数量。
上述优化问题依然可以通过引入Lagrange乘子将问题转化为其对偶形式予以解决：
式中，α=(α1，α2，…，αN)，1{A}为指标函数，当条件A成立时该函数取值为1，反之，取值为0。
可以通过选择最优的α*(γ)=(α*1(γ)，α*2(γ)，…，α*N(γ))解决式（3）的最小化问题，则CS-SVM的判别函数可表示为：
其中，k(x，xi)为核函数，本文选取径向基函数k(x，y)=exp[(-||x-y||2)/2σ2]为分类器的核函数。
早的近义词3 一种新的动态代价敏感值寻优机制
CS-SVM分类算法中，代价敏感权重值的选取对分类算法的性能有较大影响[6]。本章提出了一种新的动态代价敏感值寻优机制来选取分类算法的最优代价敏感值。该寻优机制利用一种新的优化算法——基于T变异的混沌粒子群优化算法，以正负样本正确分类的最佳折中平衡点（系统漏检率和虚警率同时趋小）作为寻优原则，在代价敏感权重值的取值区域内动态寻找全局最优解，提高算法的检测性能和稳定性。
属相相克3.1 度量指标的定义
一个实用的行人检测系统，必须保证检测系统在拥有低漏检率的同时，尽可能的降低检测系统的虚警率[7]。这就需要至少同时考虑两种评价指标，并且需要充分折中所考虑指标间的相互关联和影响，使整体检测效果达到最优。G-mean函数具有折中评价的功能，可以使两个评价参数尽可能地同时趋大或趋小，其表达式为：
胎教有用吗上式对参数α和β取几何平均值，如果对G-mean取极值，则会得到参数α和β值的最佳折中。本文选取漏检率（MI）和虚警率（FA）为折中参数α和β，通过调节代价敏感权重值寻
找G-mean函数极小值，则可以得到系统漏检率和虚警率最优折中平衡点。漏检率（MI）和虚警率（FA）的表达式如下：
其中TP和FP分别表示识别正确和识别错误的正样本数目，FN表示识别错误的负样本数目。
3.2 一种新的代价敏感权重值寻优方法葫芦做法
本节通过寻找最优的代价敏感权重值寻找G-mean函数极小值，以G-mean函数极小值为目标函数，提出了一种基于T变异的混沌粒子群算法，克服传统粒子群算法容易陷入局部最优解的缺点，利用改进的优化算法动态寻找最优的代价敏感权重值，提高行人检测系统的准确性。
夜景人像3.2.1 改进的混沌粒子群优化算法
自动挡怎么起步
粒子群优化算法（Particle Swarm Optimization，PSO）是一种著名的群体智能算法。在该算法中，每个候选解称为一个粒子，若干个候选解的集合即为粒子群[8]。粒子通过目标函数确定其适应值。各个粒子在解空间的运动中，由一个速度变量控制其运动方向和运动
距离。粒子通过综合考虑上一时刻自身个体的最优点和粒子群体上一时刻全局最优位置来动态调整自身的移动速度，经过逐代搜索得到最优点（最优解）。初始粒子群体的质量对算法最终的寻优结果有较大的影响[9]。标准PSO算法采用随机选取的方式得到初始粒子群体，有一定的随意性，容易陷入局部最优区域找不到全局最优解。本节对标准PSO算法的不足加以改进，首先，利用混沌序列代替随机选取，产生分布较为均匀的初始粒子群体，提高初始粒子群体的个体质量；进而，通过混沌扰动避免粒子“早熟”，帮助粒子逃离局部最优区。改进的混沌粒子群优化算法（Chaotic Particle Swarm Optimization，CPSO）实现步骤如下：
（1）混沌初始化
在标准PSO算法中，由于采用随机生成初始粒子群体的方法导致有些粒子的初始位置远离了全局最优点，严重影响了算法的收敛速度[9]。利用混沌序列初始化粒子群体能够使初始粒子群体靠近全局最优点，从而克服算法收敛慢的缺点。首先，利用Logistic映射产生混沌序列，其表达式如下：
