[发明专利]一种图像特征提取方法及行人检测方法及装置

摘要

本发明提供一种图像特征提取方法及行人检测方法，其中，图像特征提取方法包括：首先，获取目标图像中的图像中层特征，然后获取隐含语义特征的初始值，并根据所述图像中层特征和隐含语义特征的初始值分别确定重建误差约束项、稀疏性约束项和鉴别力约束项；最后根据重建误差约束项、稀疏性约束项和鉴别力约束项，确定隐含语义特征。该方案考虑到更高层次的语义信息和更强有力的鉴别力信息也是决定特征性能的关键因素，通过同时优化所提出的隐含语义特征学习问题和最大鉴别力约束获得了一种包含信息更加丰富、鉴别力更强的特征，从而能取得更高的行人检测的准确率。

主权项

1.一种图像特征提取方法，其特征在于，包括如下步骤：获取目标图像中的图像中层特征；获取隐含语义特征的初始值；根据所述图像中层特征和隐含语义特征的初始值分别确定重建误差约束项、稀疏性约束项和鉴别力约束项；其中，所述重建误差约束项为：其中，y表示所述的图像中层特征，x表示所述的隐含语义特征，i表示第i个，x_i表示第i个隐含语义特征，y_i表示第i个图像中层特征，N表示特征向量的维数，D表示稀疏编码基础字典，表示根据字典D和隐含语义特征x对中层特征y进行重建后的误差，此项取值越小表明重建误差越小；所述稀疏性约束项为：其中，x表示所述的隐含语义特征，x_i表示第i个隐含语义特征，N表示特征向量的维数，表示隐含语义特征的稀疏性，即特征向量中非零元素的个数，此项取值越小表明特征向量的稀疏性越高，即其中非零元素的个数越少；所述鉴别力约束项为：J′＝tr(Sw‑Sb)其中，表示不同类别之间的散布矩阵，表示每个类别内部的散布矩阵，C_i表示类别，p_i分别为类别C_i的先验概率，分别为类别C_i的样本均值向量，为所有类别中样本的总均值向量，分别为类别C_i的协方差矩阵，tr(S_w‑S_b)表示所有类别内部的散布程度与不同类别之间的散布程度的差值，此项取值越小表明每个类别内部的散度越小，而不同类别之间的距离越大，因而分类鉴别力越强；根据重建误差约束项、稀疏性约束项和鉴别力约束项，确定隐含语义特征。