[发明专利]一种行人目标识别方法

权利要求书

1.一种行人目标识别方法，其特征在于，所述方法包括：

S1：训练数据标注，对数据集中行人进行标注，利用标注数据进行训练与测试；

S2：建立麻雀搜索算法，模仿麻雀觅食和反捕食行为进行种群的策略更新；

S3：利用麻雀搜索算法优化最小二乘支持向量机；

S4：构建自编码-极限学习机分类器；

S5：构建最小二乘支持向量机与自编码-极限学习机结合的识别器。

2.根据权利要求1所述的一种行人目标识别方法，其特征在于，所述步骤S1包括：

S1.1：搜索包括前景区域的图像像素块最小的矩形区域；

S1.2：将行人所处像素块按照最小矩形区域进行标记，标记为1，其余标记为0；

S1.3：将不同角度拍摄的行人进行分类，打上二级标签，正面拍摄的标记为2，背面拍摄的标记为3，侧面拍摄的标记为4。

3.根据权利要求1所述的一种行人目标识别方法，其特征在于，所述步骤S2包括：

S2.1：利用Logistic映射初始化种群，公式如下：

x＝lb+μ·r·(1-r)×(ub-lb)

式中x为种群，lb为阈值下限，ub为阈值上限，μ为调节参数，μ∈[0,4]，r为0-1的随机数；

S2.2：确定发现者，发现者主要负责指引种群整体优化方向，具体位置更新公式如下：

其中第t+1代中第i行第j列麻雀，t表示当前迭代次数，α表示随机数，范围为[0,1]，预警值R范围为[0,1]，安全值ST范围为[0.5,1]，Q服从标准整正态分布的随机数，L为1×D的矩阵，D为问题纬度，其所有元素均为1；

S2.3：确定加入者，加入者为非发现者个体，与发现者占比始终保持相同，且更新公式与发现者有关，公式如下：

式中表示第t代迭代中适应度值最差个体，表示第t+1代中适应度最优个体，A表示1×D矩阵，其中元素均为1或-1，A⁺＝A^T(AA^T)^-1；

S2.4：确定侦查者，侦察者是由发现者和加入者共同担任，位置更新公式如下：

式中表示t代中最佳适应度的种群个体，β服从标准正态分布，控制更新步长，k属于(-1,1)随机数，f_i表示当前个体适应度值，f_{g_worst}表示当前最差适应度值，ξ为常数项，防止分母为0。

S2.5：引入自适应T分布改善更新步长，其中利用T分布更新公式如下：

式中，为变异后的麻雀位置；为第t代第i个麻雀个体的位置，t(iter)为以算法的迭代次数为参数自由度的t分布；

S2.6:适应度和最大迭代次数判断，若满足条件则输出结果，如不满足则返回步骤S2.2。

4.根据权利要求1所述的一种基于麻雀优化最小二乘支持向量机与自编码优化极限学习机行人目标识别方法，其特征在于，所述步骤S3包括：

S3.1：初始化麻雀搜索算法的参数；

S3.2：利用logistics混沌映射函数生成混沌序列，即麻雀种群个体成员在初始解空间位置；

S3.3：建立最小二乘支持向量机网络，将最小二乘支持向量机网络分类错误率作为适应度函数；

S3.4：计算每只麻雀适应度值，确定最优解和最差解个体位置；

S3.5：确定种群中发现者，更新发现者位置；

S3.6：确定跟随者，更新跟随者位置；

S3.7：确定种群中意识到危险个体数量，计算更新位置；

S3.8：randp,对个体进行T分布变异，rand为0～1的随机数，p＝0.5；

S3.9：计算变异前后种群适应度，确定种群最优解；

S3.10：如果达到最大迭代次数或满足阈值，输出最优核参数和惩罚因子，若为满足返回步骤S3.4；

S3.11：利用最优核参数和惩罚因子建立最小二乘支持向量机网络，进行分类，输出分类结果。