[发明专利]一种目标检测方法

权利要求书

1.一种目标检测方法，用于图像中的目标检测，包括如下步骤：

(1)准备训练样本集(x_i，y_i)，i＝1，……，N，其中N为训练样本数，N为自然数，训练样本集中每个训练样本为一个图像块，图像块中含有待检测的目标则为正样本，没有则为负样本，x_i表示训练样本集中每个训练样本的特征值集合，y_i为样本类别：

(2)初始化每个训练样本权重为 其中t∈{1，...，T}，T为循环次数，初始化时t＝1；

(3)对所述的训练样本集进行T次循环计算，每次循环都得到一个线性回归树作为弱分类器，也称为弱线性回归树L_t(x)，并计算该弱线性回归树L_t(x)的权重α_t，经过T次循环，共得到T个弱线性回归树；

(4)将T次循环获得的所述T个弱线性回归树组合成一个强分类器：

(5)使用该强分类器H(x)遍历待检测的图像，逐一提取与上述训练样本同样大小的区域并计算其特征值集合，从而可用上述强分类器对其进行分类，判断所提取的区域是否为目标区域，完成目标检测。

2.根据权利要求1所述的方法，其特征在于：所述的步骤(3)中的循环计算过程为：

(3.1)采用Adaboost算法对带权重的所述训练样本集进行学习，获得弱 分类器h_t，可表示为：

其中f_i为训练样本集中每个样本的第i个特征值， 为分类阈值；

(3.2)将h_t转化为一维线性回归器，作为弱线性回归树的根节点：

(3.3)由上述根节点划分上述训练样本集的样本空间得到子空间样本，并通过子空间样本计算第二层节点线性回归器，再用第二层节点线性回归器进一步划分子空间，计算第三层节点线性回归器，依此类推，构造一个弱线性回归树L_t(x)；

(3.4)计算L_t(x)的分类误差：

p为一个弱线性回归树中叶子节点个数 ，

其中e_i为叶子节点线性回归器的分类误差：

其中ω_k^t为第k个样本权重，M为分到该叶子节点的样本数，M∈{1，...N}；

(3.5)计算L_t(x)的权重α_t：

(3.6)更新训练样本权重 其中x_i为训练样本集中的一个样本的特征值集合，C_t为归一化常数，并且 

3.根据权利要求2所述的方法，其特征在于：所述的步骤(3.3)构造一个弱线性回归树的具体过程为：

首先，通过根节点线性回归器将整个样本空间划分成左右两个样本子空间，由各子空间的样本构造弱线性回归树第二层节点线性回归器，其中输入该第二层节点线性回归器的训练样本集的特征值矩阵X和样本类别矩阵Y分别为：

其中j≠i

X为在根结点的特征值矩阵[f_i  1]上增加了一个特征维f_j后形成的矩阵，样本类别矩阵Y为子空间内的样本类别组成，

相应地，第二层节点线性回归器的系数矩阵 将X的每一行与 相乘，由乘积是否大于零得到该第二层节点线性回归器对子空间样本的分类结果H(x_i)，由上述分类结果H(x_i)和样本的真实类别即样本类别矩阵Y的各元素值可计算分类误差：

其中ω_k^t为训练样本集中第k个样本权重，M为分到叶子节点的样本数M∈{1，...N}，找到最小的分类误差对应的特征维f_j即为该叶子节点在根节点基础上增加的那一维特征，完成第二层节点线性回归器的构造； 

以此类推，每个子节点线性回归器均是在其父节点线性回归器基础上增加一个使其分类误差下降最大的特征维而形成的，当发现子节点相对于父节点的分类误差小于预定值时，该分支停止生长，获得一个叶子节点，直到所有的分支都停止生长，即得到一个弱线性回归树。

4.根据权利要求1-3所述的方法，其特征在于，所述的每个训练样本的特征值集合中的特征类型为矩形特征或梯度方向直方图特征。