[发明专利]一种基于正负广义最大池化的行人识别方法

权利要求书

1.一种基于正负广义最大池化的行人识别方法，其特征是按如下步骤进行：

步骤1、从交通视频中随机选取N个行人训练图像和N个非行人训练图像，对所述N个行人训练图像和N个非行人训练图像分别进行预处理，获得N个行人正样本训练图像和N个非行人负样本训练图像；

步骤2、利用HOG局部特征描述子对所述N个行人正样本训练图像和N个非行人负样本训练图像分别进行特征提取，获得行人特征集合x⁺和非行人特征集合x^-；

步骤3、利用式(1)所示的深度分层编码函数获得第n个行人正样本训练图像中第j个行人特征编码向量和第n个非行人负样本训练图像中第j个非行人特征编码向量

式(1)中，w_j表示受限玻尔兹曼机加权矩阵W第j列的元素，w_ij是受限玻尔兹曼机加权矩阵W第i行第j列的元素，f_enc(·,·)是前馈编码函数，σ(·)是sigmoid传输函数，I为局部图像描述子的维数；是第n个行人正样本训练图像的第i个行人特征，是第n个非行人负样本训练图像的第i个非行人特征；1≤i≤I；1≤n≤N；1≤j≤J；

步骤4、将所述第n个行人正样本训练图像中所有行人特征编码向量进行级联，获得第n个行人正样本训练图像的行人特征编码向量

将所述第n个非行人负样本训练图像的所有非行人特征编码向量进行级联，获得第n个非行人负样本训练图像的非行人特征编码向量

步骤5、对所述行人特征编码向量按列排序，记为z⁺；对所述非行人特征编码向量按列排序，记为z^-；由z⁺和z^-构成特征编码向量Z；

步骤6、采用正负广义最大池化方法对所述特征编码向量Z进行优化处理，获得特征表示向量Y；

步骤6.1、利用式(2)所示的最大池化式对所述特征编码向量Z进行处理，获得第u个最大池化特征表示向量y_u：

y_u＝max{|z_u1|,|z_u2|,...,|z_un|,...,|z_uN|} (2)

式(2)中，z_un为所述特征编码向量Z的第u行第n列元素；1≤u≤N；

步骤6.2、利用式(3)对所述最大池化特征表示向量y_u进行处理，获得第u个正负最大池化特征表示向量y_u,PN-MP：

式(3)中，z_uv为所述特征编码向量Z的第u行第v列；

从而获得所有正负最大池化表示向量{y_1,PN-MP,y_2,PN-MP,...,y_u,PN-MP,...,y_N,PN-MP}；

对所述所有正负最大池化表示向量{y_1,PN-MP,y_2,PN-MP,...,y_u,PN-MP,...,y_N,PN-MP}按列排序，记为y；

步骤6.3、利用式(4)的正负广义最大池化式对所述正负最大池化特征表示向量y进行处理，获得特征表示向量Y：

式(4)中，y^T是y的转置矩阵，表示值全为1的N维向量，λ是正则化参数；

步骤7、利用支持矢量机对所述特征表示向量Y进行训练，获得分类识别模型和分类函数阈值τ；

步骤8、对待识别的测试图像分别按照步骤1和步骤2进行预处理和HOG特征提取，获得测试图像的特征集合x_C；

步骤9、利用式(5)所示的编码函数获得测试图像的第j个特征编码向量Z_Cj，从而获得测试图像的所有特征编码向量{z_C1,z_C2,...,z_Cj,...,z_CJ}：

式(5)中，x_Ci是测试图像特征集合x_C中第i个测试图像特征；

对所述测试图像的所有特征编码向量{z_C1,z_C2,...,z_Cj,...,z_CJ}按列排序，记为Z_c；

步骤10、采用正负广义最大池化方法对所述测试图像的特征编码向量Z_c进行优化处理，获得测试图像的特征表示向量Y_c；

步骤11、将所述测试图像的特征表示向量Y_c输入所述分类识别模型中，从而获得识别结果；若所述识别结果大于分类函数阈值τ，则表示所述测试图像为行人图像，否则表示所述测试图像为非行人图像。