[发明专利]一种行人目标识别方法

说明书

本发明提供的一种行人目标识别方法，首先为建立不同样本之间的类别关系利用带标签样本进行分类，提出了一种最小二乘支持向量机分类网络，利用麻雀算法优化最小二乘支持向量机中的参数，建立较优网络，实现样本集之间图像采集角度的准确分类，根据不同类别再进行识别；将自编码器与极限学习机融合，利用自编码器实现数据压缩，充分利用极限学习机网络训练参数少，学习速度快和泛化能力强等优点，实现高效有监督的行人目标识别。

技术领域

本发明涉及行人目标识别技术，具体涉及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的行人目标识别方法。

背景技术

在新型冠状肺炎肆虐的大背景下，一定范围内的行人数量的监控，固定区域内的行人检测成为了一个不可或缺的技术，可以保障疫情防控工作高效和科学的开展。随着机器学习的不断发展并应用于目标识别领域，普通场景下的目标识别精度已经有了很大的提升。

基于机器学习的目标识别方法通常可以分为两类，一类为两阶段识别，另一类为单阶段识别。两阶段识别将识别任务分为两个阶段：(1)提案生成，(2)对提案的预测。第一阶段的重点是生成一系列可能包含对象的候选区域提案；第二阶段的目标是将第一阶段得到的候选区域提案分类为对象类或背景，并进一步微调包围框的坐标。在两阶段算法中，其代表方法为R-CNN(回归卷积神经网络)，尽管R-CNN以及其变体的方法成功的应用于目标识别领域，但是其训练过程十分的复杂且缓慢。为了实现实时的目标探测，一些研究人员开始研究基于回归的探测方法，也就是单阶段识别，但是很难实现精度要求。目前进行目标识别的两种常见方法都不能够同时在精度和训练时间上满足要求。

发明内容

本发明的目的在于提供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的行人目标识别方法，旨在解决行人目标识别在精度较低和训练时间过长的问题。

为解决上述技术问题，本发明公开了以下技术方案：

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的行人目标识别方法，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：优化最小二乘支持向量机模型，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。

优选地，所述步骤S1包括以下步骤：

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。

优选地，所述步骤S2包括以下步骤：

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，为确保映射范围在0到1之间，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，相比于加入者其搜索范围更大，一般占全部种群的10％～20％，由每次迭代中较优麻雀担任，其具体位置更新公式如下：