[发明专利]一种基于深信度网络的人车分类方法

权利要求书

1.一种基于深信度网络的人车分类方法，其特征在于，包括步骤如下：

步骤A，图像特征提取：

将不同尺寸的训练图像归一化为同一大小的灰度图像I_g，提取灰度图像I_g的方向梯度直方图HOG算子，得到灰度图像的HOG特征直方图H_g；将灰度图像I_g拉直后与HOG特征直方图H_g串联，构成联合图像特征V_i；

步骤B，构造深信度网络DBN：

所述DBN基于受限波尔兹曼机RBM，确定DBN的网络层数及各层节点数量；

步骤C，训练DBN：

将联合图像特征V_i输入DBN，先逐层贪婪训练DBN，再使用反向传播BP算法，微调DBN参数，完成DBN的训练；

步骤D，进行人车分类：

将待分类图像进行归一化和HOG特征提取后，形成联合图像特征V_t，输入步骤C训练完成的DBN中，进行人车分类。

2.根据权利要求1所述的一种基于深信度网络的人车分类方法，其特征在于，步骤A中，所述图像特征提取，具体过程如下：

步骤A-1，将训练图像归一化为96×144的灰度图像I_g；

步骤A-2，使用HOG算子对I_g进行特征提取，获得1×6732维的HOG特征直方图H_g；

步骤A-3，将I_g拉直后和H_g串联成联合图像特征V_i，为一个1×20556的向量。

3.根据权利要求1所述的一种基于深信度网络的人车分类方法，其特征在于，步骤B中，所述构造深信度网络DBN，具体包括以下步骤：

步骤B-1，构造基于RBM的5层DBN，包括1个输入层，3个隐藏层和1个分类层；

步骤B-2，指定DBN的输入层节点数为20556；第一个隐藏层节点数为500；第二个隐藏层节点数为500；第三个隐藏层节点数为2000；分类层的节点数为2。

4.根据权利要求1所述的一种基于深信度网络的人车分类方法，其特征在于，步骤C中，所述训练DBN，具体包括以下步骤：

步骤C-1，使用对比散度CD算法对DBN的前4层进行逐层训练，计算3个隐藏层的输出值和各层之间的权值及偏置；

步骤C-2，使用softmax回归模型训练DBN的分类层；

步骤C-3，使用BP算法对整个DBN进行调整，优化DBN参数，完成DBN的全局训练。