[发明专利]基于分布式平台的SVM模型行人检测方法

摘要

本发明公开了一种基于分布式平台的SVM模型行人检测方法，包括：采用分布式spark平台的开源通信模块接收并存储监控设备中的图片流；使用行人检测框将图片流生成多个弹性分布式数据集RDD，对每个RDD进行独立计算；将RDD中的数据集通过非线性SVM检测算法，来确定对应检测框是否为行人，如果为行人，将检测框的位置保存到新的RDD中；将所有检测为行人的RDD合并成一个新的RDD，将所有检测框中为同一个行人的检测框合并；在图片上绘制合并后的检测框的位置，并保存至分布式spark平台。将检测图片分成多个弹性分布式数据集，有效的提高行人检测的效率。同时通过对支持向量机中权值进行改进，提高对行人检测的准确度。

主权项

1.一种基于分布式平台的SVM模型行人检测方法，其特征在于，包括以下步骤：S01：采用分布式spark平台的开源通信模块akka接收并存储监控设备中的图片流；S02：使用行人检测框将图片流生成多个弹性分布式数据集RDD，对每个RDD进行独立计算；S03：将RDD中的数据集通过非线性SVM检测算法，来确定对应检测框是否为行人，如果为行人，将检测框的位置保存到新的RDD中；所述步骤S03具体包括：S21：将检测框生成的图片块RDD通过SOBEL边缘检测算子再次分成3*8块的细胞块RDD；S22：对每个细胞块RDD进行CT直方图统计，再联合生成3*8*256维移动图片块的CT直方图RDD；S23：加载精确非线性SVM检测模型，通过该检测模型对联合生成的3*8*256维移动图片块的CT直方图RDD进行预测，如果预测结果大于0则为行人，反之则为背景；所述步骤S23包括以下步骤：S31：选取改进的支持向量机模型作为训练模型，其训练模型目标函数为其对应的约束条件为y＝w'φ(x_i)+b+ε_i，通过目标函数和约束条件推导出判别函数其中权值α_i＝Cs_iε_i，C为惩罚因子，是一个可调参数，i是1到n个训练样本数目，w为权向量，s_i是正样本和负样本的欧式距离，并作为目标函数中惩罚因子的加权系数，b为阈值，ε_i为误差，φ(x_i)为核函数；S32：将惩罚因子C设成1到100之间，对预先准备好的行人的正负样本进行特征提取，对应的核函数φ(x_i)为min(x(i),x_s(i))，其中x(i),x_s(i)是任意两个正负样本提取到的特征向量；正样本的标签是值为1，负样本标签值为‑1，离线训练得到判别函数的α_i和b，其中判别函数就是对应的非线性SVM检测模型；S33：通过判断检测模型的结果y_i，如果大于0，则认为该检测框里是行人，反之，则认为该检测框是背景；S04：将所有检测为行人的RDD合并成一个新的RDD，将所有检测框中为同一个行人的检测框合并；S05：在图片上绘制合并后的检测框的位置，并保存至分布式spark平台。