[发明专利]一种基于序列深信度网络的行人识别方法

摘要

本发明公开了一种基于序列深信度网络的行人识别方法，包括以下步骤对行人数据库中的训练图像进行预处理，获得训练样本图像，对获得的训练样本图像进行HOG特征提取，构建并训练基于序列受限玻尔兹曼机的序列深信度网络，用序列深信度网络对获得的HOG特征进一步进行特征提取，形成训练样本的特征向量，将获得的特征数据输入支持向量机分类器，完成训练；对待测的行人图像进行预处理，得到测试样本，用HOG和序列深信度网络对测试样本进行行人特征提取，形成测试样本的特征向量；将测试样本的特征向量输入支持向量机分类器，识别测试图像为行人还是非行人。本发明可以获得较好的分类性能，提高了行人识别的准确率，增强了行人识别算法的鲁棒性。

主权项

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；其特征是，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3.1、建立一个序列受限玻尔兹曼机：步骤3.1.1、假设第i个时间帧的受限玻尔兹曼机包含一个输入层Vi和一个含有S个节点Ji的隐层Hi；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,…,Vi,…,VT}；所述序列受限玻尔兹曼机中的T个隐层记为H＝{H1,H2,…,Hi,…,HT}；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,…,Ji,…,JT}；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3.1.2、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；步骤3.1.3、利用式(3)计算相邻时间帧的跨层边缘权值矩阵W1：W1＝V*(1:T‑1)(E[H′*(2:T)|V]‑E[H′*(2:T)])   (3)式(3)中，V*(1:T‑1)表示从T个输入层V中抽取第一列到第T‑1列的元素组成的子阵，H′*(2:T)表示从T个隐层H中抽取第二列到第T列的元素组成的子阵的转置矩阵；步骤3.1.4、利用式(4)计算第i个时间帧的受限玻尔兹曼机隐层的第s个节点与第i+1个时间帧的受限玻尔兹曼机隐层的第s个节点的权值tsi=Σi=1T-1(E[HsiiHsi(i+1)|V]-E[HsiiHsi(i+1)])---(4)]]>式(4)中，表示第i个时间帧的受限玻尔兹曼机隐层的第s个节点的值，表示第i+1个时间帧的受限玻尔兹曼机隐层的第s个节点的值；步骤3.2、重复步骤3.1，从而获得L个序列受限玻尔兹曼机记为K＝{K1,K2,…,Kl,…,KL}；Kl表示第l个序列受限玻尔兹曼机；1≤l≤L；并有Kl＝{Vl,Hl}；Vl表示所述第l个序列受限玻尔兹曼机Kl的T个输入层；Hl表示所述第l个序列受限玻尔兹曼机Kl的T个隐层；步骤3.3、将所述第l个序列受限玻尔兹曼机Kl的T个隐层Hl作为第l+1个序列受限玻尔兹曼机Kl+1的T个输入层Vl+1，与所述第l+1个序列受限玻尔兹曼机Kl+1的T个隐层Hl+1依次连接，从而获得序列深信度网络；以第1个序列受限玻尔兹曼机K1的T个输入层V1作为所述序列深信度网络的输入层；以第L个序列受限玻尔兹曼机KL的T个隐层HL作为所述序列深信度网络的输出层；其余的序列受限玻尔兹曼机的输入层和隐层作为所述序列深信度网络的L‑2个隐层；步骤3.4、利用式(5)计算所述序列深信度网络中第l个序列受限玻尔兹曼机Kl的权值矩阵Wol=Xl(E[(Hl)′|Xl]-E[(Hl)′])---(5)]]>式(5)中，Xl＝E[Hl]；(Hl)′表示所述第l个序列受限玻尔兹曼机Kl的T个隐层Hl的转置；步骤3.5、利用式(6)计算所述序列深信度网络中第l个序列受限玻尔兹曼机Kl的跨层边缘权值矩阵W1l：W1l=X*(1:T-1)l(E[(Hl)*(2:T)′|Xl]-E[(Hl)*(2:T)′])---(6)]]>式(6)中，表示从Xl中抽取第一列到第T‑1列的元素组成的子阵，(Hl)′*(2:T)表示从所述第l个序列受限玻尔兹曼机Kl的T个隐层Hl中抽取第二列到第T列的元素组成的子阵的转置矩阵；步骤3.6、利用式(7)计算所述序列深信度网络中第l个序列受限玻尔兹曼机Kl中第i个时间帧的受限玻尔兹曼机的第s个节点与第i+1个时间帧的受限玻尔兹曼机的第s个节点的权值tsil=Σi=1T-1(E[(Hl)sii(Hl)si(i+1)|Xl]-E[(Hl)sii(Hl)si(i+1)])---(7)]]>式(7)中，表示第l个序列受限玻尔兹曼机Kl中第i个时间帧的受限玻尔兹曼机的第s个节点对应的值，表示第l个序列受限玻尔兹曼机Kl中第i+1个时间帧的受限玻尔兹曼机的第s个节点对应的值；步骤3.7、以所述序列深信度网络中第l个序列受限玻尔兹曼机Kl的权值矩阵所述序列深信度网络中第l个序列受限玻尔兹曼机Kl的跨层边缘权值矩阵W1l、以及所述第l个序列受限玻尔兹曼机Kl中第i个时间帧的受限玻尔兹曼机的第s个节点与第i+1个时间帧的受限玻尔兹曼机的第s个节点的权值构成所述第l个序列受限玻尔兹曼机Kl的初始化模型参数θl；即从而获得所述序列深信度网络的初始化模型参数θ＝{θ1,θ2,…,θl,…θL‑1}；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‑：y+=f(x+,θ)y-=f(x-,θ)---(1)]]>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。