目标检测是计算机视觉研究的重要内容之一,目标检测的研究成果在智能视频监控、机器人导航、图像检索等领域都有广泛的应用。尽管目标检测近年来获得了很多研究成果,但目前仍然很难有一种算法能够具有通用性,在特定的场合和不同环境条件下的目标检测,不仅需要折中考虑算法的复杂度、可靠性等,有时还要考虑是否具有实时性,最终才能够寻找到最佳的可行方法,实现快速有效的检测特定场合下的特定目标。随着车载监控摄像头的普及和计算机视觉技术的发展,很多研究人员开始尝试利用目标检测技术对公交乘客进行统计,但由于公交车上的摄录视频具有光照变化、模糊、遮挡、低分辨率和姿势变化等各种问题,这仍是一个尚未解决的难题。决策树算法在目标检测中经常使用,具有生成简单,分类精度较高,对数据中的噪声有较好的鲁棒性等优点。本文主要基于决策树算法研究目标检测技术,并将其应用在公交车环境下。期望本文的研究成果能够用于公交车的乘客的统计与分析,进而对改善公交服务,保障公共安全等起到一定的促进作用。本文所做的工作主要有以下几方面:一、提出了代价敏感深度决策树算法。本算法的提出主要是对于公交车环境下的人脸或人头检测而言,人脸或人头相对于整个背景是一个小概率事件,对于这样的小概率事件,可以认为漏检一个正样本窗口的代价比误检一个正样本窗口的代价更大。所以引入了代价敏感学习。算法首先提取NPD(Normalized Pixel Difference)特征来训练模型,NPD特征是基于两个像素之间差异的特征,具有尺度不变性,光照鲁棒性。然后将提取的特征送入深度决策树,以深度决策树作为基础分类器来训练Gentle Adaboost目标检测算法。其中利用代价敏感思想进一步改进Gentle Adaboost算法的权重因子,使其在正样本错分率大于负样本错分率时,加大正样本权重。这样建立多棵深度决策树后用Soft-Cascade级联,获得最终的代价敏感决策树目标检测算法模型。实验结果表明,提出的算法与现有的深度决策树算法相比,在FDDB数据集和公交车视频上,人脸检测率和检测速度均有提升。在公交车环境下的人头检测,拥挤场景下人头检出率为92.8%,非拥挤场景下检出率可达98.0%。二、结合最大相关最小冗余算法优化决策树目标检测算法模型。由于NPD特征数量很多,在深度决策树开始学习之前,通过最大相关最小冗余算法对特征进行选择。最大化特征与类别之间的相关性,最小化特征相互之间的相关性,选择出高效鲁棒的特征子集,利用优化后的特征子集训练决策树目标检测算法模型。实验证明,加入特征选择后,简化了模型,检测率几乎保持不变,检测时间提升30%。