[发明专利]一种基于序列深信度网络的行人识别方法

说明书

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于序列深信度网络的行人识别方法。

背景技术

行人识别在智能交通系统和智能监控系统中具有广泛的应用前景，但它目前仍然是计算机视觉领域公开的难题，原因是行人外观和背景环境，如衣着、姿势、光照、视角等变化很大，加之背景复杂，识别的准确率不高。

在整个行人检测系统中，特征提取技术是最基本也是最关键的步骤，目前一些学者对行人识别和分类的研究主要集中于特征提取方面。用于行人检测的主要特征有梯度直方图特征、 LBP特征、edgelet特征，harr特征等。梯度方向直方图HOG描述子已经被实验证明是现阶段单一特征中性能最好的一种，但其HOG描述子生成过程冗长，导致速度慢，实时性差；且很难处理遮挡问题。其他的一些特征也都有其不足之处，如LBP具有冗余信息、维数高和判别能力差的特点；harr是不连续的，多应用于人脸识别，对行人识别则效果不佳；局部特征SIFT的维数很高且旋转不变性存在偏差；MSER特征所检测的特征点较少等问题。

发明内容

本发明是为了克服现有技术存在的不足之处，提供一种基于序列深信度网络的行人识别方法，以期能有效地克服行人外观形变与复杂背景环境的影响，获得较好的分类性能，从而有效提高行人识别率，增强行人识别算法的鲁棒性。

本发明为解决技术问题采用如下技术方案：

本发明一种基于序列深信度网络的行人识别方法，应用于包含行人数据库的序列深信度网络中；其特点是，所述行人识别方法是按如下步骤进行：

步骤1、从所述行人数据库中随机选取n个行人训练图像和n个非行人训练图像，对所述 n个行人训练图像和n个非行人训练图像分别进行预处理，获得n个行人正样本训练图像和n 个非行人负样本训练图像；

步骤2、对所述n个行人正样本训练图像和n个非行人负样本训练图像分别进行HOG特征提取，获得行人特征x⁺和非行人特征x^-；

步骤3、假设基于序列受限玻尔兹曼机的序列深信度网络包括一个输入层、L-2个隐层和一个输出层；对所述序列深信度网络进行训练，获得初始化模型参数θ；

步骤4、利用式(1)所示的映射函数获得优化后的行人特征y⁺和优化后的非行人特征y^-：

步骤5、利用支持矢量机对所述优化后的行人特征y⁺和优化后的非行人特征y^-进行训练，获得分类识别模型和阈值τ；

步骤6、对待识别的测试图像I按照步骤1和步骤2进行预处理和HOG特征提取，获得测试特征；

步骤7、将所述测试特征输入所述分类识别模型中，从而获得识别结果，若所述识别结果大于阈值τ，则表示所述测试图像为行人图像，否则表示所述测试图像为非行人图像。

本发明所述的基于序列深信度网络的行人识别方法的特点也在于，所述步骤3是按如下步骤进行：

步骤1、建立一个序列受限玻尔兹曼机：

步骤1.1、假设第i个时间帧的受限玻尔兹曼机包含一个输入层V_i和一个含有S个节点J_i的隐层H_i；将相邻两个受限玻尔兹曼机隐层的s个节点依次对应连接，从而获得由T个时间帧的序列受限玻尔兹曼机组成的序列受限玻尔兹曼机；则所述序列受限玻尔兹曼机中的T个输入层记为V＝{V₁,V₂,…,V_i,…,V_T}；所述序列受限玻尔兹曼机中的T个隐层记为 H＝{H₁,H₂,…,H_i,…,H_T}；所述序列受限玻尔兹曼机中T个隐层的S个节点记为 J＝{J₁,J₂,…,J_i,…,J_T}；并有表示第i个时间帧的受限玻尔兹曼机隐层的第s个节点；1≤s≤S；1≤i≤T；

步骤1.2、利用式(2)计算所述序列受限玻尔兹曼机中T个输入层与T个隐层的权值矩阵 W₀：

W₀＝V(E[H′|V]-E[H′])(2)

式(2)中，E[·]表示求取数学期望；H′表示所述序列受限玻尔兹曼机中的T个隐层H的转置；