[发明专利]一种基于半监督学习的行人检测方法

摘要

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。

主权项

1.一种基于半监督学习的行人检测方法，其特征在于，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的同时，给行人训练样本赋予样本重要性权重；S5、将目标场景图像集中带有行人标记的图像对应的训练样本以及步骤S4中赋予样本重要性权重的行人训练样本对应的原始图像输入至神经网络，以对神经网络进行训练，得到训练后的神经网络作为最终的行人检测器；S6、将待检测的每幅目标场景图像经过滑动窗的加窗处理后得到测试样本，然后提取各测试样本的样本特征，将各测试样本的样本特征输入至步骤S3获得的新决策森林，通过该新的决策森林对这些测试样本进行评分，得到这些测试样本的置信度，再者对这些测试样本的置信度进行判断，将置信度小于定值X的测试样本判定为非行人测试样本，将置信度大于等于一定值的测试样本对应的原始图像输入至步骤S5获取到的行人检测器中，通过行人检测器判定出测试样本所属类别，得出测试样本是否为行人样本，从而得到行人检测的结果。