车载行人检测的快速分类计算模型研究

对有着巨大应用价值的车载行人检测系统（PDS），分类检测是其中的一个核心关键技术。由于PDS中呈现数据高度不平衡等特性，现有分类器设计思路不能满足这一应用在性能、特别是实时性方面的要求。不同于现有分类器设计方法，本项目重点研究并构建一种各项性能指标（检测率、误报率、检测速度）可量化表达、组合结构描述参数又可直接计算的树状组合分类模型（称为组合分类计算模型）。首先，通过单分类器性能指标、组合结构描述等的建立，提出一种树状组合分类器各项性能的显式表达；然后，为了快速获得其中最优的关键参数，又设计了关键参数的计算策略和在应用背景下可能的实现方法。组合分类计算模型在用于PDS时，可以使相应的分类器在检测率和误报率满意的前提下，检测时间花费最小，从而实现行人的快速分类检测。本项目的研究不仅可以丰富动态视觉领域的研究成果，推动PDS等相关产业的实用化，还可以快速推广到机器人、军事等领域。

分类检测是车载行人检测系统（PDS）的一个核心关键技术。本项目针对PDS中现有分类方法综合性能难以保证的问题，重点研究并构建一种各项性能指标（检测率、误报率、检测速度）可量化表达、组合结构描述参数又可直接计算的树状组合分类模型（称为组合分类计算模型），并进行理论与实际验证。首先，通过单分类器性能指标、组合结构描述等的建立，提出一种树状组合分类器各项性能的显式表达；然后，为了快速获得其中最优的关键参数，又设计了关键参数的计算策略和在应用背景下可能的实现方法。组合分类计算模型在用于PDS 时，可以使相应的分类器在检测率和误报率满意的前提下，检测时间花费最小，从而实现行人的快速分类检测。在应用验证方面，针对变化场景检测、快变目标检测等典型难题，提出了有效的行人分类检测方法，同时也在空基对地目标检测与跟踪中对所提PDS分类检测模型与方法进行了扩展验证与方法研究。基于本项目的研究，获授权国家发明专利4项，申请3项；发表学术论文10篇，其中SCI论文8篇，IEEE Transactions论文5篇；培养毕业研究生8人，其中1人获中科院院长奖。