[发明专利]面向变化场景的远红外行人检测方法

权利要求书

1.面向变化场景的远红外行人检测方法，其特征在于该检测方法基于Boosting-style的归纳迁移学习算法DTLBoost，具体包括如下步骤：

(1)通过基于k近邻算法的样本重要性度量模型评估辅助数据与目标数据之间的相似性程度，为辅助数据中的不同样本分配相应的初始权重；

(2)筛选训练数据集，训练成员分类器；

(3)显式地定义成员分类器的预测不一致性程度，并结合当前成员分类器的预测错误率对辅助数据和目标数据样本的当前权重进行迭代更新；

(4)若满足迭代终止条件，输出行人分类器，实现面向新场景的行人检测；否则，返回步骤(2)。

2.根据权利要求1所述面向变化场景的远红外行人检测方法，其特征在于，步骤(1)所述辅助数据源自历史场景中的足量已标记样本，所述目标数据源自新场景即当前的目标场景中的少量已标记样本。

3.根据权利要求1所述面向变化场景的远红外行人检测方法，其特征在于，步骤(1)所述相似性程度通过以下方法获得：在相同的描述特征空间中，针对每一个辅助数据样本搜索k个目标数据近邻，累加该辅助数据样本与k个近邻之间的高斯热核距离，用以描述该辅助数据样本与目标数据之间的相似性程度，据此为其分配初始样本权重。

4.根据权利要求1所述面向变化场景的远红外行人检测方法，其特征在于，步骤(2)所述筛选训练数据集是指利用基于样本权重的重采样策略同时从辅助数据和目标数据中获得训练样本；所述成员分类器是指在任一次迭代训练过程中，通过弱学习算法在训练数据集上学习得到的分类器。

5.根据权利要求1所述面向变化场景的远红外行人检测方法，其特征在于，步骤(3)所述预测不一致性程度通过以下方法获得：在当前迭代过程中，评估所有成员分类器对每一个训练样本的正确和错误预测结果在数量上的差异性。

6.根据权利要求1所述面向变化场景的远红外行人检测方法，其特征在于，步骤(3)所述结合当前成员分类器的预测错误率对辅助数据和目标数据样本的当前权重进行迭代更新是指：对于辅助数据，显著提高被当前成员分类器预测正确且具有低预测不一致性程度的样本的权重；对于目标数据，其权重更新策略兼顾被错误预测数据中的“困难”样本和被正确预测数据中的“简单”样本；但所述“困难”和“简单”样本均为具有较低预测不一致性程度的目标数据。

7.根据权利要求1所述面向变化场景的远红外行人检测方法，其特征在于，步骤(4)所述迭代中止条件是指达到预先设定的迭次训练次数。