[发明专利]基于病毒进化算法的选择性集成行人检测方法

说明书

技术领域

本发明涉及智能交通领域，特别涉及一种集成式行人检测方法。

背景技术

随着经济的快速发展，人们的交通方式在迅速转变，交通事故呈现增长趋势，交通安全面临着严重的挑战。因此，致力于行人安全的车载行人检测系统(Pedestrian Detection System，PDS)成为一项研究热点。

在PDS中，快速且准确的对样本进行分类是一项关键技术。神经网络、模拟退火、支持向量机(Support Vector Machine，SVM)等机器学习的方法都被应用于后端分类器的设计。除此之外，还引入了集成学习的方法，通过整合各个单分类器的结果达到更高的精度。

现有的集成技术可大致分为三种：第一种采用类似Bagging的并行方式，这种方式检测精度比较高，但检测速度比较慢；第二种采用类似Boosting的级联方式，待检测目标需要通过一个分类器认可才会送至下一分类器检测，这种方式有利于提高精度和效率，但误报率仍然较高；第三种结合串联和并联的特征，优化组合分类器的性能。

现有集成技术的缺陷是，采用完全集成的方式，结合所有训练成型的单分类器结果，但没有充分考虑各个单分类器的性能差异，没有通过合理的分类器组合方式来达到最优的效果。

发明内容

本发明的目的旨在至少解决上述技术缺陷之一，特别是解决由于没有充分利用单分类器的输出而没有获得理想的分类器组合方式的缺陷。

为了达到上述目的，本发明提出一种基于病毒进化遗传算法的选择性集成行人检测方法，包括以下步骤：运用原始训练集训练彼此具有一定差异性的单分类器；对遗传算法的主体种群和额外的病毒种群进行初始化；进行遗传算法迭代过程；由所述遗传算法迭代过程得到的最优个体生成最终的组合分类器。

作为本发明的一个实施例，所述运用原始训练集训练彼此具有一定差异性的单分类器，包括以下步骤：由所述原始训练集通过随机抽样得到多个特殊训练集和确认集，用于单分类器的训练和优选；在每一所述特殊训练集上运用特定方法训练，得到满足要求的单分类器，并对确认集中的样本进行检测。

作为本发明的一个实施例，所述对遗传算法的主体种群和额外的病毒种群进行初始化，包括以下步骤：随机生成所述遗传算法的初始主体种群，所述初始主体种群中的每一个个体对应一种单分类器的组合；在所述主体种群的基础上利用复制操作得到病毒种群，并初始化病毒个体的参数。

作为本发明的一个实施例，所述遗传算法迭代过程包括以下步骤：计算所述主体种群个体适应度；采用轮盘赌方式选择部分主体种群进行交叉变异，生成子代主体种群；所述病毒个体按一定几率对所述主体进行侵扰，并根据病毒个体适应度更新编码和参数；判断遗传算法终止条件是否满足，如果满足，则结束迭代过程；否则返回重新执行迭代过程。

作为本发明的一个实施例，所述由所述遗传算法迭代过程得到的最优个体生成最终的组合分类器，包括以下步骤：选择末代种群中适应度最高的个体；选择所述适应度最高的个体的权重向量中系数大于预设阈值的学习机器，加入最终的组合分类器。

本发明通过选择性集成的方式，利用遗传算法的迭代选择最优的分类器组合，并引入额外的病毒种群，增强了遗传算法的搜索能力，避免了未成熟收敛等问题，提高了选择效果，同时提高了检测速度和精度。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的基于病毒进化遗传算法的选择性集成分类方法流程图；

图2a-c分别为本发明实施例的病毒个体的侵扰、复制、剪切操作示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明主要在于对于已经训练好的单分类器使用遗传算法进行优化组合，并利用特别的病毒种群增强效果。

如图1所示，为本发明实施例的基于病毒进化遗传算法的选择性集成分类方法流程图，包括以下步骤：

步骤S101，获得原始训练集。