[發明專利]一種用于行人檢測的協同式深度網絡模型方法

有效

• 申請號: 201611166903.2
• 申請日: 2016-12-16
• 公開（公告）號: CN106650806B
• 公開（公告）日: 2019-07-26
• 發明（設計）人: 王文敏;松鴻蒙;王榮剛;李革;董勝富;王振宇;李英;趙輝;高文
• 申請（專利權）人: 北京大學深圳研究生院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

1.一種用于行人檢測的協同式深度網絡模型方法，通過建立協同式深度網絡模型，將由聚類算法得到的不同類型的訓練數據集用于并行地訓練多個深度網絡模型，再通過人工神經元網絡將原始數據集在各個深度網絡模型上的分類結果進行整合和綜合分析，以實現更加精準的樣本分類；包括如下步驟：

1)采用基于K-means聚類算法的重采樣方法，將原始訓練樣本數據集按照不同特征劃分為不同的子樣本集；

2)選取多個深度網絡模型分別作為子分類器，利用上述子樣本集并行地訓練所述多個深度網絡模型，得到多個訓練好的子分類器；

3)將原始訓練樣本數據集同時送入所述多個訓練好的子分類器中，得到檢測得分，將所述檢測得分連接成檢測得分向量，利用所述檢測得分向量訓練一個人工神經元網絡，得到訓練好的協同式深度網絡模型；

4)將測試數據集輸入到所述訓練好的協同式深度網絡模型中對行人樣本進行分類，得到行人樣本分類。

2.如權利要求1所述協同式深度網絡模型方法，其特征是，步驟1)所述基于K-means聚類算法的重采樣方法，具體采用K-means聚類算法自動分割原始訓練樣本數據集，通過重采樣得到多個具備不同特性的訓練子樣本集，使得訓練子樣本集之間差異較大而訓練子樣本集內差異較小；包括如下步驟：

11)對原始訓練樣本數據集D中的每一個樣本，提取得到特征向量n為樣本總數；

12)隨機選擇k個樣本的特征向量作為聚類中心，記為

13)通過(式1)計算得到每個特征向量與每個聚類中心的距離d_ij：

d_ij＝||x_i-c_j||₂ (式1)

(式1)中，x_i為原始訓練樣本集D中的每個樣本的特征向量；c_j為每個聚類中心；

14)對于每個特征向量x_i，依據其與各個聚類中心的距離大小，將該特征向量劃分至彼此間距離最近的中心向量所在的類；

15)通過(式2)更新每類的中心向量：

其中，C_j表示每個類別中所包含的所有樣本標號；

16)當C_j不再變化時，停止聚類過程，得到不同的子樣本集；否則返回步驟13)。

3.如權利要求2所述協同式深度網絡模型方法，其特征是，所述特征向量為三通道特征，每個樣本對應三個特征向量，將三個通道中的每一個特征向量分別對原始訓練樣本進行聚類；將步驟12)所述分類個數k的模型初始化值設為2，代表對應樣本包含行人和非行人兩類的屬性。

4.如權利要求1所述協同式深度網絡模型方法，其特征是，步驟2)作為子分類器的深度網絡模型包括基礎深度網絡模型、強深度學習檢測器。

5.如權利要求4所述協同式深度網絡模型方法，其特征是，所述基礎深度網絡模型包括卷積神經元網絡模型和感知器模型；所述強深度學習檢測器包括聯合深度學習模型。

6.如權利要求1所述協同式深度網絡模型方法，其特征是，步驟3)所述人工神經元網絡的前饋模型為(式3)：

其中，x_i代表輸入層第i個結點的值，w_ij代表輸入層第i個結點到輸出層第j個結點的連接權重，n是輸入層結點個數，b_j代表輸出層第j個結點的偏置；

可采用反向傳播算法訓練所述人工神經元網絡。