[发明专利]基于HOG‑PCA和迁移学习的红外人体目标识别方法

说明书

技术领域

本发明涉及一种红外图像中人体目标识别技术，对红外图像中的人体目标进行有效识别，属于图像处理和模式识别技术领域。

背景技术

人体目标识别是计算机视觉领域研讨的热点问题，其结合了机器学习、数字图像处理以及模式识别等诸多学科的知识。目前，可见光图像人体目标识别技术已经比较成熟，但对于红外图像而言，由于已标注训练样本的数量一般较少，很难经训练得到一个性能优异的分类模型来进行人体目标的识别。此外，在实际红外图像应用领域中，人体目标的成像距离一般较远，目标在图像中只占据了较少的像素大小，导致可用于识别的信息很少，且由于红外成像系统中噪声或背景杂波的干扰，复杂背景下红外人体目标识别技术的研究变得富有挑战性。

传统的机器学习算法应用于行人目标的检测时，严格要求训练样本数据和测试数据之间满足同分布，且需要大量的训练样本来进行训练，这在可见光图像领域中可以实现。但是在处理红外人体目标识别问题时，若需要足够多的已标记红外样本图像来进行训练，就要付出很大的代价，导致成本的无限增大，影响其可行性。事实上，在不同场景中，测试数据和训练数据难以避免出现数据分布的差异，这会严重影响传统机器学习的效果。

与传统的机器学习“种瓜得瓜，种豆得豆”的模式不同，迁移学习是一种“举一反三”的框架。通过在某种场景中对某事物进行分析，获取其中的经验和方法，在遇到新问题时，可以直接利用以提高学习的效率。近年来，随着迁移学习理论的不断发展，很多研究学者将其应用于目标分类与识别的问题中。这些研究主要集中于使用通用数据集在特定的场景中进行训练，扩展训练样本集，通过分类器的重训练以提高分类器的性能。

公开号CN104361609A面向变化场景的远红外行人检测方法，它以基于Boosting-style的归纳迁移学习算法DTLBoost为基础，利用k近邻度量模型评估辅助数据与目标数据之间的相似度，从辅助数据中筛选样本以扩展目标数据集，训练出集成分类器。这种方法可以增强新场景中行人检测的鲁棒性，但是当选取的行人分类器泛化性能比较差时，可能会无法处理新场景中没有训练过的行人模式，且训练过程中会由于样本的高特征维数而导致时间复杂度的上升，影响实用性能。

Wang等人(Wang X,Wang M,Li W.Scene-Specific Pedestrian Detection for Static Video Surveillance[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2014,36(2):361-374.)提出，在特殊场景中利用通用分类器来进行样本的识别，得到一定数量的正负样本作为辅助样本，然后再借助这些辅助样本来提升分类器的性能。这种方法可以在一定程度上解决特殊场景下训练样本过少而无法获取高效分类器的问题，但是通用分类器进行识别时，样本的分布差异比较下，样本之间有一定的相似性，因此导致泛化性能比较差。

总之，现有的基于HOG-PCA和迁移学习的红外人体目标识别方法，其存在的局限性主要表现在：

(1)训练过程中使用的是通用分类器和数据集进行识别，样本的分布差异很小，泛化性能比较差；

(2)训练过程中使用的图像集中人体目标姿态单一，场景单一，无法满足现实应用的需求；

(3)训练过程中由于样本图像的特征维数很高，导致时间复杂度的无限增大，影响了实用性。

现假设，我们有足够多的已标记可见光人体目标图像，也可以获取一定量的红外人体目标图像。尽管两者之间不满足同分布的条件，但是前者中一定会有部分样本图像，与后者中的图像具有某些相似性，可以帮助构建一个更好的红外人体目标识别分类器，这样不仅可以减少资源的浪费，也可以提高分类器的性能。本发明以TrAdaboost算法为基本框架，如图2所示，该算法通过对源域样本和辅助域样本进行权重的设置和更新，在保证分类器在目标域中高分类性能的前提下，充分利用辅助域中具备正迁移能力的样本，辅助分类器的训练，提高分类器的泛化能力。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于HOG-PCA和迁移学习的红外人体目标识别方法，改善了传统的机器学习方法由于红外图像领域中因缺少足量训练样本而无法训练出高效分类器的缺点，提高了红外场景下人体目标识别的准确性，改善了识别的效率。

技术方案：一种基于HOG-PCA和迁移学习的红外人体目标识别方法，包括如下步骤：