[发明专利]一种基于样例迁移学习的人体检测方法

权利要求书

1.一种基于样例迁移学习的人体检测方法，其特征在于，该方法包括以下步骤：

步骤S1，对于训练集中的每个正样本进行归一化，并在得到的归一化图像上分别提取梯度直方图特征；对于所述训练集中的负样本，随机从不包含人体的图片上选取与所述归一化图像相同大小的图像，并提取其梯度直方图特征，从而分别得到所述正样本和负样本的多维的人体特征；

步骤S2，基于所述步骤S1得到的所述正样本和负样本的人体特征，利用支持向量机对所述训练集中的正样本和负样本图片进行训练，得到一个初始的人体检测器；

步骤S3，将所述步骤S2得到的初始的人体检测器划分为v个小的网格，每一个网格代表一个小的部件，并用相应网格里的权重来表示这个部件；同时基于所述网格建立一个图G=(ν,ε)，其中，ν表示图G中的节点，ε表示图G中的边；根据所述步骤S1提取得到的人体特征，分别建立图G′=(ν′,ε′)来表示对应的正样本和负样本；

步骤S4，对于所述步骤S3中的网格权重进行更新，得到更新后的人体检测器；

步骤S5，基于所述更新后的人体检测器，采用多尺度滑动框扫描的方式对于待检测图像进行人体检测，得到人体检测结果。

2.根据权利要求1所述的方法，其特征在于，所述图G=(ν,ε)中，每个节点表示一个部件，边代表节点与节点之间的连接情况，且图中的每个节点和周围的四个近邻节点相连。

3.根据权利要求1所述的方法，其特征在于，所述步骤S4中，通过最小化如下的目标函数来更新所述权重：

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

其中，i表训练集中样本的标号，m、n分别表示图G中节点的序号；Bm,n(dmi,dni,θm,θn)=γum,n(θm,θn)||dmi-dni||1]]>是二元势能；γ表示平衡因子；d_mⁱ表示第i个样本中第m个节点的变形；d_nⁱ表示第i个样本中第n个节点的变形；θ_m表示人体检测器在第m个节点的权重参数；θ_n表示人体检测器在第n个节点的权重参数；其中[θm]+=max(0,θm),[θn]+=max(0,θn)]]>分别表示θ_m和θ_n中大于0的值；||·||_l表示取l范数；β为平衡因子，v表示图G的节点的个数，表示对应于变形特征的参数；d用来指示参数为检测器变形的权重参数；

Loss(θn,θnd,xn′i,yi,dni)=max(0,1-yi(Σn∈νθn·xn′i+θnd·φd(dni)+b)),]]>为hinge损失函数；x_nⁱ表示第i个样本中第n个节点位置提取的梯度直方图特征，yⁱ表示第i个样本的标签，d_nⁱ表示表示第i个样本中第n个节点的变形，表示第i个样本中第n个节点的变形特征，b表示模型的偏置。