[发明专利]一种基于序列深信度网络的行人识别方法

权利要求书

1.一种基于序列深信度网络的行人识别方法，应用于包含行人数据库的序列深信度网络中；其特征是，所述行人识别方法是按如下步骤进行：

步骤1、从所述行人数据库中随机选取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、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HOG特征提取，获得行人特征x⁺和非行人特征x^-；

步骤3、假设基于序列受限玻尔兹曼机的序列深信度网络包括一个输入层、L-2个隐层和一个输出层；对所述序列深信度网络进行训练，获得初始化模型参数θ；

步骤3.1、建立一个序列受限玻尔兹曼机：

步骤3.1.1、假设第i个时间帧的受限玻尔兹曼机包含一个输入层V_i和一个含有S个节点J_i的隐层H_i；将相邻两个受限玻尔兹曼机隐层的s个节点依次对应连接，从而获得由T个时间帧的受限玻尔兹曼机组成的序列受限玻尔兹曼机；则所述序列受限玻尔兹曼机中的T个输入层记为V＝{V₁,V₂,…,V_i,…,V_T}；所述序列受限玻尔兹曼机中的T个隐层记为H＝{H₁,H₂,…,H_i,…,H_T}；所述序列受限玻尔兹曼机中T个隐层的S个节点记为J＝{J₁,J₂,…,J_i,…,J_T}；并有表示第i个时间帧的受限玻尔兹曼机隐层的第s个节点；1≤s≤S；1≤i≤T；

步骤3.1.2、利用式(2)计算所述序列受限玻尔兹曼机中T个输入层与T个隐层的权值矩阵W₀：

W₀＝V(E[H′|V]-E[H′]) (2)

式(2)中，E[·]表示求取数学期望；H′表示所述序列受限玻尔兹曼机中的T个隐层H的转置；

步骤3.1.3、利用式(3)计算相邻时间帧的跨层边缘权值矩阵W₁：

W₁＝V_*(1:T-1)(E[H′_*(2:T)|V]-E[H′_*(2:T)]) (3)

式(3)中，V_*(1:T-1)表示从T个输入层V中抽取第一列到第T-1列的元素组成的子阵，H′_*(2:T)表示从T个隐层H中抽取第二列到第T列的元素组成的子阵的转置矩阵；

步骤3.1.4、利用式(4)计算第i个时间帧的受限玻尔兹曼机隐层的第s个节点与第i+1个时间帧的受限玻尔兹曼机隐层的第s个节点的权值

tsi=Σi=1T-1(E[HsiiHsi(i+1)|V]-E[HsiiHsi(i+1)])---(4)]]>

式(4)中，表示第i个时间帧的受限玻尔兹曼机隐层的第s个节点的值，表示第i+1个时间帧的受限玻尔兹曼机隐层的第s个节点的值；

步骤3.2、重复步骤3.1，从而获得L个序列受限玻尔兹曼机记为K＝{K₁,K₂,…,K_l,…,K_L}；K_l表示第l个序列受限玻尔兹曼机；1≤l≤L；并有K_l＝{V_l,H_l}；V_l表示所述第l个序列受限玻尔兹曼机K_l的T个输入层；H_l表示所述第l个序列受限玻尔兹曼机K_l的T个隐层；

步骤3.3、将所述第l个序列受限玻尔兹曼机K_l的T个隐层H_l作为第l+1个序列受限玻尔兹曼机K_l+1的T个输入层V_l+1，与所述第l+1个序列受限玻尔兹曼机K_l+1的T个隐层H_l+1依次连接，从而获得序列深信度网络；以第1个序列受限玻尔兹曼机K₁的T个输入层V₁作为所述序列深信度网络的输入层；以第L个序列受限玻尔兹曼机K_L的T个隐层H_L作为所述序列深信度网络的输出层；其余的序列受限玻尔兹曼机的输入层和隐层作为所述序列深信度网络的L-2个隐层；

步骤3.4、利用式(5)计算所述序列深信度网络中第l个序列受限玻尔兹曼机K_l的权值矩阵

Wol=Xl(E[(Hl)′|Xl]-E[(Hl)′])---(5)]]>

式(5)中，X^l＝E[H_l]；(H_l)′表示所述第l个序列受限玻尔兹曼机K_l的T个隐层H_l的转置；

步骤3.5、利用式(6)计算所述序列深信度网络中第l个序列受限玻尔兹曼机K_l的跨层边缘权值矩阵W₁^l：

W1l=X*(1:T-1)l(E[(Hl)*(2:T)′|Xl]-E[(Hl)*(2:T)′])---(6)]]>

式(6)中，表示从X^l中抽取第一列到第T-1列的元素组成的子阵，(H_l)′_*(2:T)表示从所述第l个序列受限玻尔兹曼机K_l的T个隐层H_l中抽取第二列到第T列的元素组成的子阵的转置矩阵；

步骤3.6、利用式(7)计算所述序列深信度网络中第l个序列受限玻尔兹曼机K_l中第i个时间帧的受限玻尔兹曼机的第s个节点与第i+1个时间帧的受限玻尔兹曼机的第s个节点的权值

tsil=Σi=1T-1(E[(Hl)sii(Hl)si(i+1)|Xl]-E[(Hl)sii(Hl)si(i+1)])---(7)]]>

式(7)中，表示第l个序列受限玻尔兹曼机K_l中第i个时间帧的受限玻尔兹曼机的第s个节点对应的值，表示第l个序列受限玻尔兹曼机K_l中第i+1个时间帧的受限玻尔兹曼机的第s个节点对应的值；

步骤3.7、以所述序列深信度网络中第l个序列受限玻尔兹曼机K_l的权值矩阵所述序列深信度网络中第l个序列受限玻尔兹曼机K_l的跨层边缘权值矩阵W₁^l、以及所述第l个序列受限玻尔兹曼机K_l中第i个时间帧的受限玻尔兹曼机的第s个节点与第i+1个时间帧的受限玻尔兹曼机的第s个节点的权值构成所述第l个序列受限玻尔兹曼机K_l的初始化模型参数θ_l；即从而获得所述序列深信度网络的初始化模型参数θ＝{θ₁,θ₂,…,θ_l,…θ_L-1}；

步骤4、利用式(1)所示的映射函数获得优化后的行人特征y⁺和优化后的非行人特征y^-：

y+=f(x+,θ)y-=f(x-,θ)---(1)]]>

步骤5、利用支持矢量机对所述优化后的行人特征y⁺和优化后的非行人特征y^-进行训练，获得分类识别模型和阈值τ；

步骤6、对待识别的测试图像I按照步骤1和步骤2进行预处理和HOG特征提取，获得测试特征；

步骤7、将所述测试特征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。