摘要
尽管近年来出现了更多复杂且依赖大量数据的方法，基于提升的决策树在快速刚性目标检测任务中依然表现出色，在多个数据集上达到了顶尖的检测精度。然而，现有的大多数提升型检测器采用的是基于正交（单特征）划分的决策树，其生成的决策边界拓扑结构往往难以与数据本身的自然拓扑相匹配。当面对高度相关的数据时，采用斜向（多特征）划分的决策树可能更为有效。但斜向划分会带来显著的计算开销。受近期关于HOG特征判别性去相关方法的启发，我们提出了一种高效的特征变换方法，能够有效消除局部邻域内的特征相关性。该方法生成的是一种过完备但局部去相关的表示，特别适合与正交决策树结合使用。事实上，使用我们所提出的局部去相关特征后，正交决策树的性能不仅超越了在原始特征上训练的斜向决策树，而且计算成本仅为后者的极小部分。整体上，检测精度得到显著提升：在Caltech行人数据集上，我们的方法将误检率较此前的最先进水平降低了近十倍。