[发明专利]一种基于迁移学习和图像增强的人体特征提取方法

权利要求书

1.一种基于迁移学习和图像增强的人体特征提取方法，其特征在于，所述方法包括以下步骤：

S1：提取视频的所有帧并保存，对所保存的视频帧进行归一化处理，并将其分为训练集和测试集；

S2：在3D卷积神经网络的卷积层后依次增加两层全连接层和Softmax层，形成标签神经网络，将训练集数据送入该标签神经网络中，从而训练出标签分类器，并获得特征提取结果；

S3：提取视频帧图像色彩特征，训练支持向量机模型，并使用该模型获取测试集的特征提取结果；

S4：根据训练集分别在3D卷积神经网络和支持向量机模型中的特征提取结果，分别训练权重网络，得到各自最优权重；

S5：将测试集在卷积神经网络和支持向量机中的特征提取结果进行加权融合，得到最终检测结果。

2.根据权利要求1所述的一种基于迁移学习和图像增强的人体特征提取方法，其特征在于：步骤S1所述提取视频的所有帧并保存，具体包括从视频序列中抽取每一帧图像或者从一系列图像中抽取每一张图像作为原始图像；使用人体检测算法检测出人体的位置，并将位置结果用矩形框在图中标出。

3.根据权利要求1所述的一种基于迁移学习和图像增强的人体特征提取方法，其特征在于：步骤S2中的3D卷积神经网络具体包括其第i层的卷积核为W_i×H_i×T_i，T_i是单次输入帧的数量，W_i×H_i是卷积核的空间大小；3D卷积操作的计算公式为：

其中，表示第i卷积层中的第c₂个特征在点(l,j,k)的输出值，是3D卷积神经网络中第i层中的第c₁特征到第c₂特征在点(m,n,p)的权重，b_c2,i是在第c₂个特征在第i个卷积层的偏置；表示第i卷积层中的第c₂个特征在点(l,j,k)的输入值；σ(·)是非线性激活函数；点(l,j,k)、点(m,n,p)以及点(l+m,j+n,k+p)均属于所述空间中的点。

4.根据权利要求1所述的一种基于迁移学习和图像增强的人体特征提取方法，其特征在于：步骤S3提取视频帧图像的色彩特征，具体包括：

将视频帧图像的色彩空间从RGB三通道模式转换为HSV模式；计算HSV色彩空间视频帧图像的均值、方差、偏度，同时计算视频帧图像的方向梯度直方图；将图像的均值、偏度，以及图像颜色矩和图像颜色熵作为视频帧图像的色彩特征。

5.根据权利要求1所述的一种基于迁移学习和图像增强的人体特征提取方法，其特征在于：步骤S4具体包括：

1)采用批量标准法初始化输出提取特征的权重w₁、w₂以及网络节点的权重w_q；

2)利用误差反向传播算法更新权重w₁、w₂；

3)固定w₁、w₂，利用误差反向传播算法更新w_q；

4)迭代进行第2)和第3)步，直到损失函数收敛，得到最优权重。

6.根据权利要求1所述的一种基于迁移学习和图像增强的人体特征提取方法，其特征在于：步骤S5具体包括：

获取测试集在卷积神经网络和SVM模型中的特征提取结果，根据最优权重将两种概率值加权求和，图像最终提取结果表达式：

P＝P₁w₁+P₂w₂

其中，P₁为图像经过卷积神经网络提取人体特征后的矩阵表示；w₁为卷积神经网络下的最优权重；P₂为图像经过SVM模型提取人体特征后的矩阵表示；w₂为SVM下的最优权重；取P为最终人体特征提取结果。