行人检测系统(Pedestrian Detection Systems:PDS)是通过安装在汽车上的传感器,综合使用各种智能算法来识别汽车前进方向一定范围内的行人,并在危险时及时报警,以达到提高驾驶安全、保障行人生命财产的目的。随着汽车智能化的发展,行人检测系统作为智能汽车的一个核心支撑技术,受到产业界的高度关注。同时,行人检测系统涉及到传感器、机器学习、自动化、信息融合和计算智能等研究领域,也是智能监控等多学科交叉的一个研究热点,因此具有重要的理论研究意义和很高的实际应用价值。行人检测系统是一个动态的检测平台,与一般的静态检测系统相比,车辆行驶环境场景的多样性和时变性、检测平台和检测对象的动态性双重作用,使得行人检测技术研究面临一系列的技术难点。变化场景下的行人检测已成为目前研究界公认的一个挑战性问题;有必要设计出高效的检测器,可以在适应场景不断变化情况下实现针对行人目标的高效检测。目前,变化场景下的行人检测技术主要包括图像处理和机器学习两大类。第一类技术侧重利用图像处理技术对传感器获取的行人图像进行处理,并进一步检测为行人。由于行人检测系统面临的背景复杂,基于图像处理的行人检测方法难以满足行人检测实时性的要求。机器学习中的分类方法是目前采用较多的一种行人检测技术,在固定场景下的行人检测中取得了成功应用。但是,行人检测的场景是动态变化的,检测场景的多样性和动态性使得传统的分类检测方法经常不能适应变化场景的行人检测要求。本文重点研究变化场景下的行人分类检测方法。场景的变化给在旧场景下训练好的分类器带来了一系列新的问题:(1)由于新旧场景的样本集分布特性不同,基于旧场景样本集训练得到的分类器因为不能很好地适应场景的变化而在新场景下分类检测的性能不佳;(2)虽然新旧场景样本集之间存在一定的相关性,但由于在旧场景下训练的分类器无法完全反应新场景的本征特征,导致该分类器在新场景下分类检测的性能下降。这些难点问题使得变化场景下的行人分类检测成为公认的挑战性技术难题。本文认为,变化场景之间上述共性和差异性可以在特征选择和分类器设计两个层面来处理;为此,本文分别从特征提取和分类器设计两个侧面,研究变化场景下的行人分类检测方法,为行人分类检测系统的研制提供技术支撑。论文完成的主要工作与创新之处如下:1)针对在旧场景下训练的分类器无法适应场景变化的问题,提出一种变化场景下的分类模型优化方法。在旧场景下训练的分类器在新场景下的分类检测性能不佳。若每次都在新场景下重新训练分类器,新场景的训练样本在短时间内难以获得,且训练时间过长导致难以满足实时检测的应用要求。本文充分利用原有分类器的结构,通过调整分类模型的决策变量使其适应新场景的行人检测。首先在旧场景下训练一个级联分类器,同时保留其级联分类器的结构,然后将其转换为一个阈值向量的决策优化问题,再利用少量具有代表性的新场景样本来动态优化调整原来已经训练好的级联分类器的关键参数,使之适应新场景的检测要求。另外,为了进一步提高在新场景下的行人分类检测的速度,提出一种通用的三分检测框架。实验结果验证了所提分类模型优化方法具有良好的检测性能和较快的检测速度。2)结合新旧场景样本集的特征空间相同的特点,提出了一种变化场景下的特征迁移模型。新旧场景的样本集一般属于同一特征空间,两者的特征特性之间必存在一定的共性,若能善加利用应该可以减少新场景下的特征提取难度。本文提出了一种变化场景下的特征迁移模型,将旧场景的高层特征迁移到新场景用于行人检测。该特征迁移模型首先利用近似稀疏编码算法获取旧场景下行人样本集的高层表示,然后将其作为新场景行人样本的特征提取的输入,来提取新场景行人样本的近似稀疏特征,即将旧场景行人样本的特征迁移到新场景用于行人检测。实验结果表明采用所提特征迁移模型的行人分类检测方法在变化场景下可以取得较优的检测性能。3)结合新旧场景样本集之间存在部分相似样本的特点,提出了一种变化场景下的分类迁移模型。新旧场景样本集必然存在一部分相似样本。由于新场景的样本数量较少不足以训练一个可靠的分类模型,因此需要充分利用旧场景中部分相似的行人样本。综合考虑特征和分类器设计,本文提出了一种变化场景下的行人分类迁移模型。该模型主要包括两个部分:基于流形学习的样本筛选方法和基于迁移学习的分类器设计。首先将新旧场景的行人样本在流形学习的框架下进行可视化表述,筛选出旧场景中与新场景中行人样本分布相似度较高的部分样本,然后对新旧场景的样本进行合并,将旧场景中的部分相似度较高的样本与新场景数据扩展成新的训练集,最后利用新的训练集和大量辅助样本集重新训练一个新的分类模型。另外,分类器设计采用迁移学习的思想,通过专门设计调整权重策略来更新样本的权重。实验结果验证了采用所提分类迁移模型的行人分类检测方法的有效性。