[發(fā)明專利]一種行人目標(biāo)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210655890.4
• 申請(qǐng)日: 2022-06-10
• 公開（公告）號(hào): CN114973329A
• 公開（公告）日: 2022-08-30
• 發(fā)明（設(shè)計(jì)）人: 季云
• 申請(qǐng)（專利權(quán)）人: 天峋（常州）智能科技有限公司
• 主分類號(hào): G06V40/10
• 分類號(hào): G06V40/10;G06V20/52;G06V10/22;G06V10/764;G06V10/82;G06N3/00;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 常州易瑞智新專利代理事務(wù)所(普通合伙) 32338
• 代理人: 潘悅

本發(fā)明提供的一種行人目標(biāo)識(shí)別方法，首先為建立不同樣本之間的類別關(guān)系利用帶標(biāo)簽樣本進(jìn)行分類，提出了一種最小二乘支持向量機(jī)分類網(wǎng)絡(luò)，利用麻雀算法優(yōu)化最小二乘支持向量機(jī)中的參數(shù)，建立較優(yōu)網(wǎng)絡(luò)，實(shí)現(xiàn)樣本集之間圖像采集角度的準(zhǔn)確分類，根據(jù)不同類別再進(jìn)行識(shí)別；將自編碼器與極限學(xué)習(xí)機(jī)融合，利用自編碼器實(shí)現(xiàn)數(shù)據(jù)壓縮，充分利用極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)訓(xùn)練參數(shù)少，學(xué)習(xí)速度快和泛化能力強(qiáng)等優(yōu)點(diǎn)，實(shí)現(xiàn)高效有監(jiān)督的行人目標(biāo)識(shí)別。

技術(shù)領(lǐng)域

本發(fā)明涉及行人目標(biāo)識(shí)別技術(shù)，具體涉及一種基于麻雀優(yōu)化最小二乘支持向量機(jī)與自編碼優(yōu)化極限學(xué)習(xí)機(jī)的行人目標(biāo)識(shí)別方法。

背景技術(shù)

在新型冠狀肺炎肆虐的大背景下，一定范圍內(nèi)的行人數(shù)量的監(jiān)控，固定區(qū)域內(nèi)的行人檢測(cè)成為了一個(gè)不可或缺的技術(shù)，可以保障疫情防控工作高效和科學(xué)的開展。隨著機(jī)器學(xué)習(xí)的不斷發(fā)展并應(yīng)用于目標(biāo)識(shí)別領(lǐng)域，普通場(chǎng)景下的目標(biāo)識(shí)別精度已經(jīng)有了很大的提升。

基于機(jī)器學(xué)習(xí)的目標(biāo)識(shí)別方法通常可以分為兩類，一類為兩階段識(shí)別，另一類為單階段識(shí)別。兩階段識(shí)別將識(shí)別任務(wù)分為兩個(gè)階段：(1)提案生成，(2)對(duì)提案的預(yù)測(cè)。第一階段的重點(diǎn)是生成一系列可能包含對(duì)象的候選區(qū)域提案；第二階段的目標(biāo)是將第一階段得到的候選區(qū)域提案分類為對(duì)象類或背景，并進(jìn)一步微調(diào)包圍框的坐標(biāo)。在兩階段算法中，其代表方法為R-CNN(回歸卷積神經(jīng)網(wǎng)絡(luò))，盡管R-CNN以及其變體的方法成功的應(yīng)用于目標(biāo)識(shí)別領(lǐng)域，但是其訓(xùn)練過程十分的復(fù)雜且緩慢。為了實(shí)現(xiàn)實(shí)時(shí)的目標(biāo)探測(cè)，一些研究人員開始研究基于回歸的探測(cè)方法，也就是單階段識(shí)別，但是很難實(shí)現(xiàn)精度要求。目前進(jìn)行目標(biāo)識(shí)別的兩種常見方法都不能夠同時(shí)在精度和訓(xùn)練時(shí)間上滿足要求。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于麻雀優(yōu)化最小二乘支持向量機(jī)與自編碼優(yōu)化極限學(xué)習(xí)機(jī)的行人目標(biāo)識(shí)別方法，旨在解決行人目標(biāo)識(shí)別在精度較低和訓(xùn)練時(shí)間過長(zhǎng)的問題。

為解決上述技術(shù)問題，本發(fā)明公開了以下技術(shù)方案：

一種基于麻雀優(yōu)化最小二乘支持向量機(jī)與自編碼優(yōu)化極限學(xué)習(xí)機(jī)的行人目標(biāo)識(shí)別方法，所述方法包括：

S1：訓(xùn)練數(shù)據(jù)標(biāo)注，對(duì)數(shù)據(jù)集中行人進(jìn)行標(biāo)注，利用標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練與測(cè)試；

S2：建立麻雀搜索算法，模仿麻雀覓食和反捕食行為進(jìn)行種群的策略更新；

S3：優(yōu)化最小二乘支持向量機(jī)模型，利用麻雀搜索算法優(yōu)化最小二乘支持向量機(jī)；

S4：構(gòu)建自編碼-極限學(xué)習(xí)機(jī)分類器；

S5：構(gòu)建最小二乘支持向量機(jī)與自編碼-極限學(xué)習(xí)機(jī)結(jié)合的識(shí)別器。

優(yōu)選地，所述步驟S1包括以下步驟：

S1.1：搜索包括前景區(qū)域的圖像像素塊最小的矩形區(qū)域；

S1.2：將行人所處像素塊按照最小矩形區(qū)域進(jìn)行標(biāo)記，標(biāo)記為1，其余標(biāo)記為0；

S1.3：將不同角度拍攝的行人進(jìn)行分類，打上二級(jí)標(biāo)簽，正面拍攝的標(biāo)記為2，背面拍攝的標(biāo)記為3，側(cè)面拍攝的標(biāo)記為4。

優(yōu)選地，所述步驟S2包括以下步驟：

S2.1：利用Logistic映射初始化種群，公式如下：

x＝lb+μ·r·(1-r)×(ub-lb)

式中x為種群，lb為閾值下限，ub為閾值上限，μ為調(diào)節(jié)參數(shù)，為確保映射范圍在0到1之間，μ∈[0,4]，r為0-1的隨機(jī)數(shù)；

S2.2：確定發(fā)現(xiàn)者，發(fā)現(xiàn)者主要負(fù)責(zé)指引種群整體優(yōu)化方向，相比于加入者其搜索范圍更大，一般占全部種群的10％～20％，由每次迭代中較優(yōu)麻雀擔(dān)任，其具體位置更新公式如下：