[发明专利]一种用于行人检测的协同式深度网络模型方法

权利要求书

1.一种用于行人检测的协同式深度网络模型方法，通过建立协同式深度网络模型，将由聚类算法得到的不同类型的训练数据集用于并行地训练多个深度网络模型，再通过人工神经元网络将原始数据集在各个深度网络模型上的分类结果进行整合和综合分析，以实现更加精准的样本分类；包括如下步骤：

1)采用基于K-means聚类算法的重采样方法，将原始训练样本数据集按照不同特征划分为不同的子样本集；

2)选取多个深度网络模型分别作为子分类器，利用上述子样本集并行地训练所述多个深度网络模型，得到多个训练好的子分类器；

3)将原始训练样本数据集同时送入所述多个训练好的子分类器中，得到检测得分，将所述检测得分连接成检测得分向量，利用所述检测得分向量训练一个人工神经元网络，得到训练好的协同式深度网络模型；

4)将测试数据集输入到所述训练好的协同式深度网络模型中对行人样本进行分类，得到行人样本分类。

2.如权利要求1所述协同式深度网络模型方法，其特征是，步骤1)所述基于K-means聚类算法的重采样方法，具体采用K-means聚类算法自动分割原始训练样本数据集，通过重采样得到多个具备不同特性的训练子样本集，使得训练子样本集之间差异较大而训练子样本集内差异较小；包括如下步骤：

11)对原始训练样本数据集D中的每一个样本，提取得到特征向量n为样本总数；

12)随机选择k个样本的特征向量作为聚类中心，记为

13)通过(式1)计算得到每个特征向量与每个聚类中心的距离d_ij：

d_ij＝||x_i-c_j||₂ (式1)

(式1)中，x_i为原始训练样本集D中的每个样本的特征向量；c_j为每个聚类中心；

14)对于每个特征向量x_i，依据其与各个聚类中心的距离大小，将该特征向量划分至彼此间距离最近的中心向量所在的类；

15)通过(式2)更新每类的中心向量：

其中，C_j表示每个类别中所包含的所有样本标号；

16)当C_j不再变化时，停止聚类过程，得到不同的子样本集；否则返回步骤13)。

3.如权利要求2所述协同式深度网络模型方法，其特征是，所述特征向量为三通道特征，每个样本对应三个特征向量，将三个通道中的每一个特征向量分别对原始训练样本进行聚类；将步骤12)所述分类个数k的模型初始化值设为2，代表对应样本包含行人和非行人两类的属性。

4.如权利要求1所述协同式深度网络模型方法，其特征是，步骤2)作为子分类器的深度网络模型包括基础深度网络模型、强深度学习检测器。

5.如权利要求4所述协同式深度网络模型方法，其特征是，所述基础深度网络模型包括卷积神经元网络模型和感知器模型；所述强深度学习检测器包括联合深度学习模型。

6.如权利要求1所述协同式深度网络模型方法，其特征是，步骤3)所述人工神经元网络的前馈模型为(式3)：

其中，x_i代表输入层第i个结点的值，w_ij代表输入层第i个结点到输出层第j个结点的连接权重，n是输入层结点个数，b_j代表输出层第j个结点的偏置；

可采用反向传播算法训练所述人工神经元网络。