[发明专利]一种基于半监督学习的行人检测方法

说明书

本发明公开了一种基于半监督学习的行人检测方法，首先获取源图像集的训练样本和所属类别，将目标场景图像集中的一部分图像进行行人标记，获取目标场景图像对应的训练样本和样本特征；其次由源图像集的训练样本训练生成决策森林，目标场景图像集中知晓所属类别的训练样本对决策森林中的决策树进行筛选，重组后产生新的决策森林；再者通过新的决策森林对目标场景图像集中未知所属类别训练样本进行评分，将置信度高的训练样本标记为行人训练样本；然后通过目标场景图像集中知晓输送类别的训练样本以及上述行人训练样本训练神经网络；最后测试样本输入至新的决策森林，将置信度高的测试样本通过神经网络得出行人检测结果。具有行人检测精度高的优点。

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种基于半监督学习的行人检测方法和系统。

背景技术

随着计算机视觉技术的发展，行人检测是当前目标检测方面的研究热点之一，在视频监控、智能交通、人机交互、虚拟现实等领域有着广泛的应用。基于视觉的行人检测属于人体运动分析的研究范畴，通过对人体的检测、跟踪、轨迹分析以及行为识别，系统可实时检测异常事件并报警，变被动监视为主动报警。随着大数据时代的发展，计算机相关技术也相应地需要解决大数据的挑战。行人检测除了具有的服饰变化、姿态变化、模式多样等难点外，还具有中远距离行人分辨率低、特征信息不明显、场景复杂多变等问题，这些困难使得行人检测成为一个极具挑战性的研究课题。对于现有的一般的行人检测方法，没有用目标场景的样本进行训练，因此应用于特定的目标场景时往往会存在检测准确率下降的问题。因此，这就需要利用计算机视觉和人工智能领域相关知识来产生一个适应于该场景下的行人检测器。

现有技术中，通常采用基于统计分类的方法进行行人检测，基于统计分类的方法通过从一系列训练数据中学习得到分类器，常用的统计分类方法有基于神经网络的方法、基于支持向量机(SVM)的方法和基于Adaboost的方法。其中基于统计分类的方法，用于训练分类器的训练样本集中，未标注样本的数量远大于已标注样本的数量，如果只是用少量已标注样本，训练得到学习模型不具有很好的泛化能力，同时造成大量未标注样本的浪费，如果只是用大量未标注样本，将会忽略已标注样本的价值，而且得到的分类器将不够精确。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于半监督学习的行人检测方法，该方法只需要人为对目标场景图像集中一部分图像进行行人标记即可得到具有很好泛化能力的行人检测器，能够有效节省人工标记图像所花费的时间，具有行人检测精度高的优点。

本发明的目的通过下述技术方案实现：一种基于半监督学习的行人检测方法，步骤如下：

S1、获取源图像集中每幅图像对应的训练样本和各训练样本对应的样本特征；且获取到源图像集对应的各训练样本的所属类别，其中所属类别包括行人和非行人；

同时，获取目标场景图像集，将目标场景图像集中的其中一部分图像进行行人标记；然后将目标场景图像集中的每幅图像进行滑动窗的加窗处理后，得到目标场景图像集对应的各个训练样本，其中带有行人标记的图像经过滑动窗的加窗处理后得到训练样本为知晓所属类别的训练样本；然后提取目标场景图像集对应的各个训练样本的样本特征；

S2、将源图像集对应的各训练样本的样本特征作为决策森林的输入，且将源图像集对应的各训练样本的所属类别作为决策森林的输出，对决策森林进行训练，生成一个包含多棵决策树的决策森林；

S3、使用目标场景图像集中带有行人标记的图像对应的训练样本的样本特征对步骤S2获取到的决策森林中的所有决策树进行重组产生新的决策森林；

S4、将目标场景图像集中未带有行人标记的图像对应的训练样本的样本特征输入至步骤S3中产生的新的决策森林；然后通过该新的决策森林对这些训练样本进行评分，得出这些训练样本的置信度；最后将置信度单元大于等于定值X的训练样本标记为行人训练样本；