[發明專利]基于HOG?PCA和遷移學習的紅外人體目標識別方法

在審

• 申請號: 201710411502.7
• 申請日: 2017-06-05
• 公開（公告）號: CN107292246A
• 公開（公告）日: 2017-10-24
• 發明（設計）人: 王鑫;張鑫;徐立中;石愛業;黃鳳辰
• 申請（專利權）人: 河海大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 李玉平

1.一種基于HOG-PCA和遷移學習的紅外人體目標識別方法，其特征在于，該方法分為訓練模塊和識別模塊兩部分：在訓練模塊中，首先利用紅外及可見光圖像分別構建源訓練樣本集和輔助訓練樣本集；其次，提取每個樣本圖像的HOG特征，構建特征集；第三，采用PCA對特征進行降維，以提高后續計算的效率；最后，基于降維后的HOG-PCA目標特征集，借助遷移學習理論訓練得到紅外人體目標識別分類器；

在識別模塊中，針對待識別圖像同樣提取其HOG-PCA特征，然后利用訓練得到的分類器，即可得到最終的識別結果。

2.根據權利要求1所述基于HOG-PCA和遷移學習的紅外人體目標識別方法，其特征在于，在訓練模塊中，利用紅外及可見光圖像分別構建源訓練樣本集和輔助訓練樣本集，其操作過程如下：

選取的紅外樣本圖像來源于OTCBVS Benchmark Dataset Collection數據集，獲得一定數量64×64像素大小的紅外樣本圖像，并進行樣本的標記；選取的可見光樣本圖像則主要來源于已標記的INRIA行人數據集；

以紅外樣本圖像集作為源訓練樣本集，可見光樣本圖像集作為輔助訓練樣本集，分別記為其中m和n分別表示紅外樣本圖像和可見光樣本圖像的個數；

然后，將以上兩組數據集進行合并，得到完整的訓練樣本數據集：

G＝[G₁,G₂,...,G_m,...,G_m+n]

第三，考慮到樣本圖像中可能包含噪聲，其會對后續的特征提取及分類器訓練產生一定的干擾，因此這里采用中值濾波方式對所有的樣本圖像進行降噪處理，則降噪后的樣本數據集更新為G'＝[G₁',G₂',...,G_m',...,G_m+n']；

第四，對每一個樣本給出對應的類別標簽，對應的類標數據集設為：

L＝[label₁,label₂,...,label_m,...,label_m+n]

其中，label_i∈{0,1}為第i個樣本圖像的類標，源訓練樣本類標集和輔助訓練樣本類標集分別為L_b＝[label₁,label₂,...,label_m]，L_a＝[label_m+1,label_m+2,...,label_m+n]。

3.根據權利要求1所述基于HOG-PCA和遷移學習的紅外人體目標識別方法，其特征在于，提取每個樣本圖像的HOG特征，構建特征集；具體實現過程為：

針對每一個樣本圖像G_i'(1≤i≤m+n)，用HOG特征描述子進行特征提取，得到其HOG特征feat_i，最終，可以得到所有訓練樣本圖像的特征集：

featset＝[feat₁,…,feat_m+n]^T。