[发明专利]一种用于行人检测的基于协同进化的特征优选方法

说明书

技术领域

本发明涉及一种智能交通领域中的行人检测方法，特别是一种用于行人检测的基于协同进化的特征优选方法。

背景技术

近年来，我国道路交通事故呈快速增长趋势，其中城市交通事故占据了主要部分。针对城市交通中场景复杂、行人众多且易受伤害等特点，行人安全保护是城市交通安全的关键。正因如此，车载行人检测系统(PDS：Pedestrian Detection System)已成为研究界和产业界极为关注的关键技术。

分类检测是目前实现行人检测系统的主流技术。为实现准确、快速的行人分类检测，必须尽可能多地选取各种类型的特征；近年来，国内外研究者在图像特征的获取与处理方面已取得了许多成果，这可以加以借鉴并应用到行人检测研究中。例如，在特征提取方面，仅仅使用灰度信息是不够的，还必须融合各种颜色特征才能提高检测性能。同时，每种特征都是海量的。为此必须设计出合适的特征优选算法。该算法需要满足如下要求：(1)适合多类特征的优选问题；(2)能保证选取出的特征冗余性较小；(3)能从原始特征中选取出具有良好分类能力的特征子集。

现有PDS中的特征选择算法主要有两类：(1)大样本试验加上人工分析。这使选择的特征具有很大的随机性和不确定性，也难以保证特征的代表性以及不同类型特征比例的最佳。(2)Boosting算法。这类方法的优点在于可以在较短的时间内从指定的特征集中寻出一部分符合性能要求的特征组合；但同样不能得到特征的合理比例，也会选出一些冗余特征和分类能力较弱的部分特征。为此，有必要针对多类海量特征，设计一种合适的智能特征优选算法。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种用于行人检测的基于协同进化的特征优选方法，该方法采用多种群协同进化方法，把解空间中的群体划分为若干子群体，每个子群体代表求解问题的一个子目标，即每一个子群体优选一类特征，所有子群体在独立进化的同时，基于信息迁移和知识共享，共同进化，从而达到最优特征选择的目的。

本发明是通过以下技术方案实现的，步骤如下：

(1)读入训练样本，包括含有行人图像的正样本和不含行人图像的负样本，所有样本缩放为统一规格；

(2)生成原始特征集合，可分为R，G，B，GRAY四类，每类各有n_i，i＝1，2，3，4个特征，共有个特征。对每一个训练样本进行特征提取，得到行人图像的特征向量，形成样本集合；

(3)初始化四个种群，每个种群对应一类特征，每个种群随机生成N个个体，每个个体编码为二进制串，表示一个特征子集，其中N的取值范围为[100，300]；

(4)将个体解码为特征组合，得到新的样本子集，计算所有个体的适应度；

(5)判断是否满足特征选择终止条件，若满足则将每个种群中的最好个体所表示特征子集作为算法的最优解；

(6)根据每个个体的适应度，采用群内竞争、群间竞争和自增长规则选择个体，使用单点交叉法及变异生成下代个体；

(7)返回步骤(4)继续进化种群直到满足步骤(5)的特征选择终止条件。

所述的群内竞争、群间竞争和自增长规则如下：

(1)群内竞争：在种群P_i中，好的个体应该被奖励，差的个体应该受惩罚；对所有的个体对(a，b)，a，b∈P_i，a≠b，较差的个体以α的概率被淘汰，较优的个体以β的概率产生一个下一代个体，其中β≤α；

(2)群间竞争：对属于不同种群的每一对个体(a，b)，a∈P_i，b∈P_j，P_i≠P_j，ω_ab表示个体b对个体a的影响系数，定义为ω_ab＝(f(a)-f(b))/(N×(f_max-f_min))，其中N为所有种群包含个体的数量，f_max和f_min分别为本代种群个体的最高和最低适应函数值；

(3)自增长规则：每个个体以ρ的概率产生下一代个体。

本发明方法基于分而治之原理，在运行过程中自适应地决定子群体的新增和灭绝，使得子群体个数能够动态变化，降低计算复杂性，并解决对多类特征优选问题中难以分解的问题，所以具有较高的搜索性能。

本发明与现有技术相比的优点在于：