杨 英，刘卫国，钟 令，李亚文

（1.东北大学机械工程与自动化学院，辽宁沈阳110819；2.浙江省汽车安全技术研究重点实验室，浙江杭州311228）

0 引言

道路行人识别的核心是利用安装在运动车辆上的摄像机检测行人，从而估计出潜在的危险以便采取策略保护行人［1］。基于统计分类的方法是通过机器学习，从一系列训练数据中得到一个分类器，利用该分类器对输入窗口图像进行识别，并判断是否为行人［2］。基于统计分类方法的优点是鲁棒较好，但是需要很多训练数据，实时性差。目前，基于统计分类方法识别行人主要类型有：神经网络、支持向量机和AdaBoost方法。神经网络方法可以描述极为复杂的模式，已经成功地应用在字符识别和人脸检测上，它在行人的检测上也有应用，但实时性和鲁棒性都不够理想。支持向量机是基于结构风险最小化原理的统计学习理论，该方法比神经网络方法具有更好的泛化能力。Ada⁃Boost是一种分类器组合的策略，它的目的是将一些弱分类器组合成一个强分类器，广泛应用于模式识别和计算机视觉领域［3］。

本研究提出一种基于AdaBoost 的行人检测优化算法，该算法在行人识别分类器训练时，通过在线更新分类器错误率权重，实时调整权重系数，并采用扩展的类Haar 特征，在保证分类器准确率的前提下，降低分类器的级数，减少分类器识别行人所需时间，减少计算的复杂性，满足实时性要求。

1 AdaBoost 权重更新算法的改进

AdaBoost 是一种构建准确分类器的学习算法，该算法包括两个基本问题［4］：一是每一轮循环中训练集上的样本权重如何分布；……