建设历史文化旅游宣传网站/每日一则新闻摘抄

ICCV15的文章，内容比较简单，但是boosting的方法，文章使用了Haar,HOG,LPB的共生特征，训练boosting时考虑了泛化和检测率平衡，让强特征在有高检测率的同时有好的推广性能。

特征的描述比较简单，这里使用了灰度共生矩阵的描述方法，将特征用共生的方法描述，即：

形式如下图所示：

泛化和检测平衡
好的特征对应低的分类错误率，即：

使用共生特征，离得远的图像对有可能带来噪声，使用该项评价泛化能力：

将泛化损失引入目标函数：

再考虑计算时间，这主要由负样本决定，也即是每步的虚警数决定：

最后将计算时间引入损失函数：

对最终的损失函数解释如下，在RealAdaBoost的开始阶段，虚警较多，目标易与背景分开，倾向于使用高效的特征。在接下来的阶段，虚警变困难，要使用复杂的特征，其计算时间比较长。

实验结果
在两个行人数据库上与其他方法结果对比：