一种行人目标识别方法技术

本发明专利技术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。高效有监督的行人目标识别。高效有监督的行人目标识别。

【技术实现步骤摘要】
一种行人目标识别方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为解决上述技术问题，本专利技术公开了以下技术方案：
[0006]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：
[0007]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；
[0008]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；
[0009]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；
[0010]S4：构建自编码
‑
极限学习机分类器；
[0011]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。
[0012]优选地，所述步骤S1包括以下步骤：
[0013]S1.1：搜索包括前景区域的图像像素块最小的矩形区域；
[0014]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；
[0015]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。
[0016]优选地，所述步骤S2包括以下步骤：
[0017]S2.1：利用Logistic映射初始化种群，公式如下：
[0018]x＝lb+μ
·
r
·
(1
‑
r)
×
(ub
‑
lb)
[0019]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；
[0020]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：
[0021][0022]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；
[0023]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：
[0024][0025]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；
[0026]S2.4：确定侦查者，侦察者是由发现者和加入者共同担任，表示种群中意识到危险个体，占全部种群10％～20％，位置更新公式如下：
[0027][0028]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_best
表示当前全局最优适应度，f
g_worst
表示当前最差适应度值，ξ为常数项，防止分母为0。
[0029]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：
[0030][0031]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；
[0032]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。
[0033]优选地，所述步骤S3包括以下步骤：
[0034]S3.1：初始化麻雀搜索算法的参数；
[0035]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；
[0036]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；
[0037]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；
[0038]S3.5：确定种群中发现者，更新发现者位置；
[0039]S3.6：确定跟随者，更新跟随者位置；
[0040]S3.7：确定种群中意识到危险个体数量，计算更新位置；
[0041]S3.8：rand<p,对个体进行T分布变异，rand为0～1的随机数，p＝0.5；
[0042]S3.9：计算变异前后种群适应度，确定种群最优解；
[0043]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；
[0044]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。
[0045]优选地，所述步骤S4包括以下步骤：
[0046]S4.1：设置损失函数：
[0047][0048]式中x
i
为输出值，y
i
为实际值；
[0049]S4.2：确认自编码激活函数与隐藏层层数；
[0050]S4.3：设置极限学习机网络中隐藏层神经元数量；
[0051]S4.4：自编码输出值作为极限学习机的输入值训练极限学习机网络。
[0052]优选地，所述步骤S本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：季云，
申请(专利权)人：天峋常州智能科技有限公司，
类型：发明
国别省市：