[发明专利]基于HOG特征和自编码器的目标检测方法

说明书

本发明属于人工智能的目标检测和识别技术领域，具体涉及一种基于HOG特征和自编码器的目标检测方法。本发明提出将HOG特征和自编码器结合用于目标分类。本发明针对在特征提取+分类器设计方法中，特征提取后向量维度高、特征向量之间存在非线性，从而影响其线性可分性的问题，使用深度学习算法中自编码器方法，去除输入特征的线性相关性，得到其本质特征后，再使用分类器进行分类判别。通过本发明可以在目标高度大于32个像素时具有较高的检测率和较低的虚警率。

技术领域

本发明属于人工智能的目标检测和识别技术领域，具体涉及一种基于HOG特征和自编码器的目标检测方法。

背景技术

在基于机器视觉的目标检测方法中，最为常见的有两类：基于统计学习的特征提取+分类器设计算法和深度学习算法。其中深度学习算法在近几年得到广泛关注，但深度学习算法的计算量大、对硬件资源要求高，目前难以在嵌入式平台广泛应用。特征提取+分类器设计的方法以其计算量低、实时性好，且目标检测能力较强的优势目前被广泛应用于军事、交通、安防监控等各个领域。

目前特征提取+分类器设计的目标检测算法中，HOG特征+SVM分类器、Haar特征+Adaboost分类器、SIFT特征+SVM方法等是较为成熟和主流的算法。其中HOG特征+SVM分类器具有较强的目标判别能力，典型应用于成像场景中行人检测识别；Haar特征+Adaboost分类器特点是计算速度快，采用弱分类器级联的方法保证计算速度的同时具有强分类器的检测性能，典型应用于人脸识别领域；SIFT特征以其平移、旋转、尺度不变性，广泛应用于军事目标识别领域。

在特征提取+分类器设计的方法中，特征提取决定了算法表征被检测目标特性能力的强弱，直接影响算法的检测性能。分析发现，典型的特征提取算法对目标进行特征计算后，特征向量的维度均较大。以上面典型的三种算法为例，对一个64×40大小的图像提取特征，HOG维度大于500，SIFT特征超过600维，Haar特征维度与级联分类器个数线性相关。分析可知，分类器对高维度的特征向量进行分类时，特征向量间的线性相关性会影响分类器的判别能力，降低算法的检测精度。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：在目标高度大于32个像素时，如何获得较高的检测率和较低的虚警率。

(二)技术方案

为解决现有技术问题，本发明提供一种基于HOG特征和自编码器的目标检测方法，该方法包括：

步骤1：归一化输入图像，对目标图像提取HOG特征；

步骤2：使用HOG特征训练自编码器，得到多层自编码器和多次编码后的特征；

步骤3：使用编码后的特征和图像对应的标签有监督地训练Softmax分类器；

步骤4：将自编码器组合成堆栈自编码器，并与Softmax串联构成算法模型；

步骤5：使用输入图像的HOG特征及其对应的图像标签对算法模型进行微调。

其中，所述步骤2包括：

a)训练第一个编码器；使用HOG特征无监督地训练第一个自编码器，得到第一次编码后的特征；

b)训练第二个编码器；使用第一次编码后的特征训练第二个自编码器，得到第二次编码后的特征；

c)重复b)得到第N个自编码器和第N次编码后的特征。

(三)有益效果