[发明专利]基于显著性特征和迁移增量学习的多摄像机目标识别方法

权利要求书

1.基于显著特征和迁移增量学习的多摄像机目标识别方法，包括以下步：

步骤1提取灰度直方图特征并归一化：

p(r_k)＝n_k/MN

其中r_k是第k级灰度级，n_k是图像中灰度为r_k的像素个数，M和N分别为图像的行和列的维数，p(r_k)是灰度级r_k在图像中出现的概率；灰度直方图特征：

Fh→=(p(r0),p(r1),...,p(r255))]]>

步骤2提取显著性特征：显著性特征是基于区域对比度的视觉显著性区域检测算法，同时考虑了全局对比度和空间相干性；其步骤如下，

(2.1)计算图像像素显著值，得到显著图像；这里采用带权值的区域对比度方法，来增强区域的空间影响效果，简单地说，就是近邻的区域影响增大，较远的区域影响减小，对于任意区域r_k，显著性值定义为：

S(rk)=Σrk≠riexp(-Ds(rk,ri)/σs2)ω(ri)Dr(rk,ri)]]>

其中，ω(r_i)为区域r_i的权值，D_s(r_k，r_i)为区域r_k和r_i的空间距离，D_r(r_k，r_i)为两个区域r_k和r_i的颜色距离：

Dr(r1,r2)=Σi=1n1Σj=1n2f(c1,i)f(c2,j)D(c1,i,c2,j)]]>

其中，f(c_k，i)为第i个颜色c_k，i在第k个区域r_k的所有n_k种颜色中出现的概率

(2.2)将显著性图像转换为特征向量；用p_i，j表示(a)中显著性图像的第i行，第j列的像素。显著性特征向量：

Fs→=(p0,0,p0,1,...,pi,j,...,pM-1,N-1)]]>

其中，M和N分别表示为显著性图行和列的维数；

(2.3)显著性特征向量归一化；

步骤3特征融合：将上述步骤(2.1)(2.2)得到的两个特征向量合并在一起，得到：

F→=(Fs→,Fh→,)]]>

步骤4分类识别：采用迁移增量学习的方法，基于LSSVM算法的改进，其核心是求解：

minW,wN+1,b12||W-W′||F2+12||WN+1-W′β||F2+C2Σi=1MΣn=1N+1(WnTF→+bn-Yin)2]]>

其中，W′＝[w′₁，…w′_N，]表示是由源样本经过LSSVM方法得到的超平面，W＝[w₁，…，w_N]表示由训练样本经过上面公式得到的超平面；w_N，w′_N表示从N个类别里面分离出一个来的超平面；β是每个源模型的权重系数；Y是类别标签矩阵，b_n是常量，||*||_F表示弗罗宾尼斯范数。