[發明專利]一種基于樣例遷移學習的人體檢測方法

有效

• 申請號: 201310432350.0
• 申請日: 2013-09-22
• 公開（公告）號: CN103473538A
• 公開（公告）日: 2013-12-25
• 發明（設計）人: 王春恒;周文;肖柏華;張重
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 宋焰琴

1.一種基于樣例遷移學習的人體檢測方法，其特征在于，該方法包括以下步驟：

步驟S1，對于訓練集中的每個正樣本進行歸一化，并在得到的歸一化圖像上分別提取梯度直方圖特征；對于所述訓練集中的負樣本，隨機從不包含人體的圖片上選取與所述歸一化圖像相同大小的圖像，并提取其梯度直方圖特征，從而分別得到所述正樣本和負樣本的多維的人體特征；

步驟S2，基于所述步驟S1得到的所述正樣本和負樣本的人體特征，利用支持向量機對所述訓練集中的正樣本和負樣本圖片進行訓練，得到一個初始的人體檢測器；

步驟S3，將所述步驟S2得到的初始的人體檢測器劃分為v個小的網格，每一個網格代表一個小的部件，并用相應網格里的權重來表示這個部件；同時基于所述網格建立一個圖G=(ν,ε)，其中，ν表示圖G中的節點，ε表示圖G中的邊；根據所述步驟S1提取得到的人體特征，分別建立圖G′=(ν′,ε′)來表示對應的正樣本和負樣本；

步驟S4，對于所述步驟S3中的網格權重進行更新，得到更新后的人體檢測器；

步驟S5，基于所述更新后的人體檢測器，采用多尺度滑動框掃描的方式對于待檢測圖像進行人體檢測，得到人體檢測結果。

2.根據權利要求1所述的方法，其特征在于，所述圖G=(ν,ε)中，每個節點表示一個部件，邊代表節點與節點之間的連接情況，且圖中的每個節點和周圍的四個近鄰節點相連。

3.根據權利要求1所述的方法，其特征在于，所述步驟S4中，通過最小化如下的目標函數來更新所述權重：

minΣiΣ(m,n)∈ϵBm,n(dmi,dni,θm,θn)+βΣiΣn∈νLoss(θn,θnd,xn′i,yi,dni)+R(Θ)]]>

其中，i表訓練集中樣本的標號，m、n分別表示圖G中節點的序號；Bm,n(dmi,dni,θm,θn)=γum,n(θm,θn)||dmi-dni||1]]>是二元勢能；γ表示平衡因子；d_mⁱ表示第i個樣本中第m個節點的變形；d_nⁱ表示第i個樣本中第n個節點的變形；θ_m表示人體檢測器在第m個節點的權重參數；θ_n表示人體檢測器在第n個節點的權重參數；其中[θm]+=max(0,θm),[θn]+=max(0,θn)]]>分別表示θ_m和θ_n中大于0的值；||·||_l表示取l范數；β為平衡因子，v表示圖G的節點的個數，表示對應于變形特征的參數；d用來指示參數為檢測器變形的權重參數；

Loss(θn,θnd,xn′i,yi,dni)=max(0,1-yi(Σn∈νθn·xn′i+θnd·φd(dni)+b)),]]>為hinge損失函數；x_nⁱ表示第i個樣本中第n個節點位置提取的梯度直方圖特征，yⁱ表示第i個樣本的標簽，d_nⁱ表示表示第i個樣本中第n個節點的變形，表示第i個樣本中第n個節點的變形特征，b表示模型的偏置。