基于HOG‑PCA和迁移学习的红外人体目标识别方法技术

本发明专利技术公开了一种基于HOG‑PCA和迁移学习的红外人体目标识别方法。首先构建红外及可见光人体或非人体目标训练样本库；其次，提取每个样本的HOG特征，并采用PCA对特征进行降维，得到降维后的HOG‑PCA目标特征集；然后，基于该特征集，借助迁移学习理论训练得到红外人体目标识别分类器；最后，对待检测的红外图像完成识别。与传统的人体目标识别算法相比，本发明专利技术提出的方法实现了从可见光图像领域到红外图像领域知识的迁移，不仅有效弥补了传统的目标识别分类器因红外图像领域训练样本过少而无法训练出有效的分类器的缺点，同时提高了目标的识别率。

HOG PCA and transferlearning infrared target recognition method based on human body

The invention discloses a HOG PCA and transferlearning infrared target recognition method based on human body. Firstly, the visible and infrared human or non-human target training samples; secondly, HOG features are extracted from each sample, and use PCA to reduce the dimension of the features of HOG, PCA target feature reduction after the set; then, based on the feature set, by the transfer learning theory training in infrared human target recognition classifier; finally, the infrared image detection to complete identification. Compared with the traditional algorithm of human body recognition, the method of the invention realizes from the field of visible light image to the infrared image transfer of domain knowledge, not only makes up for the traditional target recognition classifier for infrared image field training samples to train and less effective classifier shortcomings, while improving the target recognition rate.

【技术实现步骤摘要】
基于HOG-PCA和迁移学习的红外人体目标识别方法
本专利技术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

技术介绍
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本文档来自技高网...

【技术保护点】
一种基于HOG‑PCA和迁移学习的红外人体目标识别方法，其特征在于，该方法分为训练模块和识别模块两部分：在训练模块中，首先利用红外及可见光图像分别构建源训练样本集和辅助训练样本集；其次，提取每个样本图像的HOG特征，构建特征集；第三，采用PCA对特征进行降维，以提高后续计算的效率；最后，基于降维后的HOG‑PCA目标特征集，借助迁移学习理论训练得到红外人体目标识别分类器；在识别模块中，针对待识别图像同样提取其HOG‑PCA特征，然后利用训练得到的分类器，即可得到最终的识别结果。

【技术特征摘要】
1.一种基于HOG-PCA和迁移学习的红外人体目标识别方法，其特征在于，该方法分为训练模块和识别模块两部分：在训练模块中，首先利用红外及可见光图像分别构建源训练样本集和辅助训练样本集；其次，提取每个样本图像的HOG特征，构建特征集；第三，采用PCA对特征进行降维，以提高后续计算的效率；最后，基于降维后的HOG-PCA目标特征集，借助迁移学习理论训练得到红外人体目标识别分类器；在识别模块中，针对待识别图像同样提取其HOG-PCA特征，然后利用训练得到的分类器，即可得到最终的识别结果。2.根据权利要求1所述基于HOG-PCA和迁移学习的红外人体目标识别方法，其特征在于，在训练模块中，利用红外及可见光图像分别构建源训练样本集和辅助训练样本集，其操作过程如下：选取的红外样本图像来源于OTCBVSBenchmarkDatasetCollection数据集，获得一定数量64×64像素大小的红外样本图像，并进行样本的标记；选取的可见光样本图像则主要来源于已标记的INRIA行人数据集；以红外样本图像集作为源训练样本集，可见光样本图像集作为辅助训练样本集，分别记为其中m和n分别表示红外样本图像和可见光样本图像的个数；然后，将以上两组数据集进行合并，得到完整的训练样本数据集：G＝[G1,G2,...,Gm,...,Gm+n]第三，考虑到样本图像中可能包含噪声，其会对后续的特征提取及分类器训练产生一定的干扰，因此这里采用中值滤波方式对所有的样本图像进行降噪处理，则降噪后的样本数据集更新为G'＝[G1',G2',...,Gm',...,Gm+n']；第四，对每一个样本给出对应的类别标签，对应的类标数据集设为：L＝[label1,label2,...,labelm,...,labelm+n]其中，labeli∈{0,1}为第i个样本图像的类标，源训练样本类标集和辅助训练样本类标集分别为Lb＝[label1,label2,...,labelm]，La＝[labelm+1,labelm+2,...,labelm+n]。3.根据权利要求1所述基于HOG-PCA和迁移学习的红外人体目标识别方法，其特征在于，提取每个样本图像的HOG特征，构建特征集；具体实现过程为：针对每一个样本图像Gi'(1≤i≤m+n)，用HOG特征描述子进行特征提取，得到其HOG特征feati，最终，可以得到所有训练样本图像的特征集：featset＝[feat1,…,featm+n]T。4.根据权利要求1所述基于HOG-PCA和迁移学习的红外人体目标识别方法，其特征在于，针对提取出的特征集，提出采用PCA对其进行降维，具体实现步骤如下：首先，针对计算得到的HOG特征向量集featset,求解其协方差矩阵Cp×p,其中，p＝m+n。计算Cp×p的特征值，并按从大到小的进行排列，得到λ1,λ2,...,λp及其对应的特征向量v1,v2,...,vp；然后，根据累计方差贡献率G(k):

【专利技术属性】
技术研发人员：王鑫，张鑫，徐立中，石爱业，黄凤辰，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32