[发明专利]融合深度感知特征和核极限学习机的行人检测方法

说明书

本发明公开了一种融合深度感知特征和核极限学习机的行人检测方法，其步骤包括：1构建包含两部分的DAGnet神经网络；2利用预处理后的样本对DAGnet卷积神经网络进行训练，得到DAGnet模型；3利用DAGnet模型得到深度感知特征向量；4利用深度感知特征向量对核极限学习机进行训练得到行人识别模型；5对核极限学习机进行泛化性能估计；6利用DAGnet模型学习到第二级特征图和GVBS显著性检测算法得到测试图像的显著图，并标注测试图像中行人的大致区域；7利用多尺度滑动窗口对大致区域进行扫描，得到窗口所在区域的深度特征向量；8利用行人识别模型识别该区域是否含有行人。本发明能获取较好的检测性能，有效提高行人检测的精度和速度，具有较好的稳健性。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种融合深度感知特征和核极限学习机的行人检测方法。

背景技术

随着无人驾驶的发展，作为智能交通识别系统中重要的技术之一的行人检测，具有重大的研究价值。行人检测算法的目的是实时的检测出现在图像里的行人，并用矩形框给出行人的位置。然而在不同场景下，光照，行人姿态的多样性，拍摄角度，以及场景中类似行人的其它物体等等使行人检测技术面临巨大的挑战。

行人检测技术主要分为两个模块：目标特征提取和分类器设计。应用于行人检测的特征主要有：①Haar_like特征②HOG特征③SIFT特征，常用的分类学习方法有Adaboost集成学习、支持向量机(Support Vector Machine,SVM)，神经网络(Neural Network,NN)。这些手动设计的浅层特征，具有针对性，同时也存在局限性和鲁棒性低的缺点。

卷积神经网络是由传统的神经网络发展而来，但相比于传统的神经网络，主要有这几方面的优势：⑴CNN网络结构不需要人为设计待提取的特征，它能自主的捕获到更能表达行人的特征。⑵CNN采用权值共享，使得训练参数锐减，大幅度提高了计算速率，是一种非全连接的神经网络结构。⑶在视觉识别方面，CNN分层提取特征方式与人的视觉机理(神经科学)类似，对特定部分有着视觉敏感性，都是从边缘到局部到整体的历程。但随着网络的层层递进，一些显著的特征会丢失，且卷积神经网络算法中由全连接层组成的分类器泛化能力弱，计算速度慢。在交通监测系统中，精度和检测速度是评估一个算法成败的关键，目前的很多算法都停留在在网络结构上长度加深或横向加厚，致使网络结构繁琐，训练复杂，测试速度缓慢。

发明内容

本发明为克服上述现有技术中存在的问题，提出一种融合深度感知特征和核极限学习机的行人检测方法，以期能获取较好的检测性能，从而有效提高行人检测的精度和速度。

本发明为解决技术问题采用如下技术方案：

本发明一种融合深度感知特征和核极限学习机的行人检测方法的特点是按如下步骤进行：

步骤1、从行人数据集中选取N/2个行人训练图像和N/2个非行人训练图像，并对所述N/2个行人训练图像和N/2个非行人训练图像分别进行预处理，获得N/2个行人正样本训练图像和N/2个行人负样本训练图像，由所述N/2个行人正样本训练图像和N/2个行人负样本训练图像构成N个样本训练图像；

步骤2、构建包含两部分的DAGnet神经网络

步骤2.1、构建DAGnet神经网络的第一部分结构

将所述N个样本训练图像经过第一层卷积层学习得到第一级特征图，再将所述第一级特征图分别经过第一层平均池化层和第一层block结构，得到第一池化层特征图和第一block结构特征图；将所述第一池化层特征图和第一block结构特征图进行特征融合，得到第二级特征图；所述block结构包括两层卷积层和一层平均池化层；

步骤2.2、构建DAGnet神经网络的第二部分结构