一种基于支持向量机的行人检测方法及系统技术方案

本发明专利技术公开了一种基于支持向量机的行人检测方法，所述方法包括：S1：提取训练图像中的边缘和文理信息，处理得到特征向量；S2：对所述特征向量进行降维，得到降维的特征向量；S3：采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习；S4：将待检测的图像进行S1和S2的处理，然后输入所述支持向量机进行行人检测，本发明专利技术同时公开了一种基于支持向量机的行人检测系统，本发明专利技术采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习，考虑特征组合对行人检测分类效果的影响，并为所有维度的特征制定权值，提高行人检测的准确度。

Pedestrian detection method and system based on support vector machine

The invention discloses a pedestrian detection method based on support vector machine, the method comprises the following steps: S1: edge extraction in the training image and texture information, get the feature vector; S2: to reduce the dimensionality of the feature vector and the feature vector dimension reduction; S3: using genetic algorithm is introduced into simulated annealing acceptance criteria for model training and learning feature weight support vector machine; S4: image processing will be detected by S1 and S2, and then input to the support vector machine for pedestrian detection, the invention also discloses a pedestrian detection system based on support vector machine, the invention adopts genetic algorithm based on simulated annealing acceptance criteria for model training and learning feature weight support vector machine, considering the influence of feature combination on pedestrian detection and classification effect, and is characteristic of all dimensions of development Weights to improve the accuracy of pedestrian detection.

【技术实现步骤摘要】
一种基于支持向量机的行人检测方法及系统
本专利技术涉及行人检测领域，更具体地，涉及一种基于支持向量机的行人检测方法及系统。
技术介绍
随着人类社会的进步和科技的发展，利用计算机来实现行人的自动检测成为了目前计算机领域中最热门的课题之一。行人检测的研究是人工智能与模式识别的一个重要研究课题。行人检测就是检测场景中存在的行人，给出场景中行人的确切位置情况，其在军事管理、安全工程、医疗保健等许多领域内都有着广泛的应用，因此具有重要的使用价值和广阔的发展前景。目前该领域主要采用的技术路线为训练一个行人分类器，在检测阶段，通过此分类器判断输入图片是否为行人即可。目前所广泛应用的分类器之一为支持向量机。首先通过对人及非人训练数据的特征提取及降维操作，将图片抽象为特征向量。之后将所有训练数据输入于支持向量机模型中对模型进行训练操作。最后在实际检测中，我们通过同样的图像预处理方法将待检测图像抽象为特征向量作为训练好的支持向量机模型的输入，输出结果即分类结果便是对该幅图片是否存在行人的检测结果。运用支持向量机是一种经典的行人检测方法，由于其快速准确的分类性能，在模式识别领域中有着广泛的应用。但是，由于支持向量机将每一维输入特征同等对待以寻找最优分类超平面，这也就使得支持向量机不能很好地控制特征权重分配问题以达到更佳的分类目的。通常现有的特征加权方法运用熵增益等方式分别确定特征对标签的关联度从而对特征进行权重设定，这类方法在某种程度上能够找出对分类有积极贡献作用的单个特征。然而，此类方法在实践中却往往不能综合考虑特征之间的联系，不能够组合性地为所有维度特征同时赋予权重因子，从而造成了在实际行人检测中，训练出的分类器预测效果反而有所下降的问题。因此，需要提供一种能够综合考虑特征之间的联系而进行权重改进的基于支持向量机的行人检测方法。
技术实现思路
本专利技术要解决的一个技术问题是提供了一种基于支持向量机的行人检测方法，采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习，考虑特征组合对行人检测分类效果的影响，并为所有维度的特征制定权值，提高行人检测的准确度，本专利技术要解决的另一个技术问题是提供一种应用所述方法的一种基于支持向量机的行人检测系统。为了解决以上技术问题，本专利技术采用下述技术方案：本专利技术一方面公开了一种基于支持向量机的行人检测方法，其特征在于，所述方法包括：S1：提取训练图像中的边缘和文理信息，处理得到特征向量；S2：对所述特征向量进行降维，得到降维的特征向量；S3：采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习；S4：将待检测的图像进行S1和S2的处理，然后输入所述支持向量机进行行人检测。优选的，采用引入模拟退火接受准则的遗传算法中种群的父代选择方式为随着繁衍代数的增加动态降低接受当前个体作为下一代父代的概率。优选的，所述S1包括：S11：将所述训练图像转化为灰度图，并调整所述灰度图的对比度和亮度；S12：利用方向梯度直方图特征描述算子和局部二值模式特征描述算子分别对图像的边缘及文理特征进行提取，得到方向梯度直方图特征向量和局部二值模式特征向量；S13：将所述方向梯度直方图特征向量和局部二值模式特征向量进行拼接，得到方向梯度直方图-局部二值模式特征向量。优选的，所述S2包括：S21：用主成分分析算法和线性判别分析算法对所述特征向量进行降维，得到基于主成分分析降维的特征向量和基于线性判别分析降维的特征向量；S22：将所述基于主成分分析降维的特征向量和基于线性判别分析降维的特征向量进行拼接，得到基于主成分分析-线性判别分析降维的特征向量。优选的，所述S3包括：S31：根据所述降维的特征向量对引入模拟退火接受准则的遗传算法中的个体及参数进行初始化操作；S32：设置交叉点的数目，采用混沌序列生成交叉点，并对所述交叉点进行变异操作；S33：采用引入模拟退火接受准则的遗传算法训练所述支持向量机得到权重向量和固有参数。优选的，所述交叉点为x(n+1)＝4*x(n)*(1-x(n))其中，x(n)代表第n个交叉点归一化后的位置，初始x(0)为一个0～1之间的随机数；真实的交叉点的设置为其中，l表示引入模拟退火接受准则的遗传算法的种群中个体的维度。优选的，所述引入模拟退火接受准则的遗传算法进行计算时，父代的选择过程包括：S331：计算一个个体的个体适应度；S332：将所述个体适应度与预设的阈值进行比较，若所述个体适应度大于所述阈值，则接受所述个体作为下一代繁衍之父代，否则随机生成一个0～1之间随机数，并进行下一步骤；S333：计算所述个体的接受概率，若所述随机数大于所述接受概率，则接受所述个体作为下一代繁衍之父代，否则抛弃该个体；S334：进行下一个体的考察，重复S331-S333，直到考察完所有个体。优选的，所述接受概率为其中，f(x')表示当前个体的适应度函数，f(x0)表示个体适应度阈值，k为一个大于0的定值系数，θ为接受概率的衰减系数，0<θ<1，g为当前的迭代代数。优选的，所述S33进一步得到所述支持向量机的行人检测函数为其中，sign()为符号函数，若括号中表达式的计算结果大于0，则sign()为1，代表图像中存在行人，否则sign()为-1，代表图像中不存在行人；x为样本的输入特征，y为样本的输出类别；αi为支持向量机的拉格朗日系数；b为支持向量机判别式中的偏置参数；Ω为遗传算法中的个体。本专利技术同时公开了一种基于支持向量机的行人检测系统，其特征在于，所述系统包括：图像处理模块、权重训练模块和行人检测模块；所述图像处理模块用于提取训练图像中的边缘和文理信息，处理得到特征向量，并对所述特征向量进行降维，得到降维的特征向量；所述权重学习模块用于采用引入模拟退火接受准则的遗传算法对所述行人检测模块进行模型训练与特征权重学习；所述行人检测模块包括支持向量机，用于对所述图片处理模块传输的所述特征向量进行行人检测。本专利技术的有益效果如下：本专利技术公开的一种基于支持向量机的行人检测系统与方法在传统行人检测系统与方法的基础上引入了特征加权的思想，并通过采用引入模拟退火接受准则的遗传算法综合考虑特征与行人检测准确性、特征组合与行人检测准确性之间的综合联系以实现更为合理的加权，且通过引入模拟退火接受准则增强遗传算法的寻优能力，提高了行人检测分类的准确率。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细的说明。图1示出一种基于支持向量机的行人检测方法的流程图。图2示出方向梯度直方图特征描述算子提取特征向量的流程图。图3示出实施例中局部二值模式特征描述算子提取特征向量的流程图。图4示出引入模拟退火接受准则的遗传算法流程图。图5示出引入模拟退火接受准则的遗传算法进行父代选择的流程图。图6示出本专利技术行人检测系统与方法在真实场景中进行行人检测的效果图。图7示出传统遗传算法与本专利技术中引入模拟退火接受准则的遗传算法在20次寻优中的准确率示意图。图8示出传统遗传算法与本专利技术中引入模拟退火接受准则的遗传算法在单次迭代寻优中的收敛曲线图。图9示出了传统行人检测系统与本专利技术的行人检测系统在行人检测准确率上的对比示意图。具体实施方式为了更清楚地说明本专利技术，下面结合优选实施例和附图对本专利技术做进一步的说明。本文档来自技高网...

【技术保护点】
一种基于支持向量机的行人检测方法，其特征在于，所述方法包括：S1：提取训练图像中的边缘和文理信息，处理得到特征向量；S2：对所述特征向量进行降维，得到降维的特征向量；S3：采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习；S4：将待检测的图像进行S1和S2的处理，然后输入所述支持向量机进行行人检测。

【技术特征摘要】
1.一种基于支持向量机的行人检测方法，其特征在于，所述方法包括：S1：提取训练图像中的边缘和文理信息，处理得到特征向量；S2：对所述特征向量进行降维，得到降维的特征向量；S3：采用引入模拟退火接受准则的遗传算法对支持向量机进行模型训练与特征权重学习；S4：将待检测的图像进行S1和S2的处理，然后输入所述支持向量机进行行人检测。2.根据权利要求1所述方法，其特征在于，采用引入模拟退火接受准则的遗传算法中种群的父代选择方式为随着繁衍代数的增加动态降低接受当前个体作为下一代父代的概率。3.根据权利要求1所述方法，其特征在于，所述S1包括：S11：将所述训练图像转化为灰度图，并调整所述灰度图的对比度和亮度；S12：利用方向梯度直方图特征描述算子和局部二值模式特征描述算子分别对图像的边缘及文理特征进行提取，得到方向梯度直方图特征向量和局部二值模式特征向量；S13：将所述方向梯度直方图特征向量和局部二值模式特征向量进行拼接，得到方向梯度直方图-局部二值模式特征向量。4.根据权利要求1所述方法，其特征在于，所述S2包括：S21：用主成分分析算法和线性判别分析算法对所述特征向量进行降维，得到基于主成分分析降维的特征向量和基于线性判别分析降维的特征向量；S22：将所述基于主成分分析降维的特征向量和基于线性判别分析降维的特征向量进行拼接，得到基于主成分分析-线性判别分析降维的特征向量。5.根据权利要求1所述方法，其特征在于，所述S3包括：S31：根据所述降维的特征向量对引入模拟退火接受准则的遗传算法中的个体及参数进行初始化操作；S32：设置交叉点的数目，采用混沌序列生成交叉点，并对所述交叉点进行变异操作；S33：采用引入模拟退火接受准则的遗传算法训练所述支持向量机得到权重向量和固有参数。6.根据权利要求5所述方法，其特征在于，所述交叉点为x(n+1)＝4*x(n)*(1-x(n))其中，x(n)代表第n个交叉点归一化后的位置，初始x(0)为一个0～1之间的随机数；真实的交叉点的设置为其中，l表示引入模拟退火接受准则的遗传算法的种群中个体的维度。7.根据权利要求5所述方法，其特征在于，所述引入...

【专利技术属性】
技术研发人员：邢薇薇，魏翔，卢苇，杨宇翔，张顺利，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11