您现在的位置是：首页 > 技术资料 > 一种基于多层RBM网络和SVM的行人检测方法研究

推荐星级：

一种基于多层RBM网络和SVM的行人检测方法研究

更新时间：2019-12-26 15:14:26 大小：766K 上传用户：IC老兵查看TA发布的资源 标签：rbm网络 svm 行人检测方法 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

行人检测一直是计算机视觉领域的热点和难点问题。本文提出了一种结合玻尔兹曼机RBM(Restricted Boltzmann Machine)和支持向量机SVM(Suport Vector Machines)的深度学习网络进行行人特征提取和分类,多层玻尔兹曼机无监督的训练网络参数得到行人特征并级联SVM构建特征分类器进行特征分类,在融合多种行人数据库的基础上扩充了行人数据样本,满足深度学习对于大数据量样本的要求。实验中对比了不同层数网络对于模型性能的影响以及与传统人工特征相比在复杂场景下的行人检测效果,验证了深度学习对于行人特征提取的有效性。

部分文件列表

文件名	大小
一种基于多层RBM网络和SVM的行人检测方法研究.pdf	766K

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

第

卷第

年

期

月

铁

道学

ꢀꢀ ꢀꢀ ꢀꢀ

报

４０

３

Ｖｏｌ．４０Ｎｏ．３

ꢀ

２０１８

ꢀꢀꢀ

３

ＪＯＵＲＮＡＬＯＦＴＨＥＣＨＩＮＡＲＡＩＬＷＡＹＳＯＣＩＥＴＹ

ꢀ ꢀ ꢀ ꢀ ꢀ

Ｍａｒｃｈ２０１８

ꢀ

：

（）

１００１８３６０２０１８０３００９５０６

－

文章编号

－

一种基于多层

网络和

的行人检测方法研究

ＲＢＭ

ＳＶＭ

，

ꢀ

，

ꢀ ꢀ

，

ꢀ ꢀ

，

ꢀ ꢀ

王银

ꢀ

王立德

邱霁

申萍

杜欣

（

，

）

１０００４４

ꢀ

北京交通大学电气工程学院北京

：

。

（

ＲＢＭＲｅｓｔｒｉｃｔｅｄ

摘

要行人检测一直是计算机视觉领域的热点和难点问题本文提出了一种结合玻尔兹曼机

ꢀ

）

（）

ＳＶＭＳｕｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ

ｐ

ꢀ ꢀ

，

和支持向量机

的深度学习网络进行行人特征提取和分类多

ＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅ

ꢀ

，

构建特征分类器进行特征分类在融合多种行

层玻尔兹曼机无监督的训练网络参数得到行人特征并级联

ＳＶＭ

，

。

人数据库的基础上扩充了行人数据样本满足深度学习对于大数据量样本的要求实验中对比了不同层数网络

，

对于模型性能的影响以及与传统人工特征相比在复杂场景下的行人检测效果验证了深度学习对于行人特征提

。

取的有效性

：

；

关键词行人检测玻尔兹曼机支持向量机无监督训练深度学习

；

：；

Ｕ２９８ＴＰ３１７

ꢀꢀ

：

Ａ

：／

ｄｏｉ１０．３９６９ｉ．ｓｓｎ．１００１－８３６０．２０１８．０３．０１４

ｊ

中图分类号

文献标志码

ꢀꢀ

ＲｅｓｅａｒｃｈｏｎＰｅｄｅｓｔｒｉａｎＤｅｔｅｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ

ＭｕｌｔｉｌａｅｒＲＢＭＮｅｔｗｏｒｋａｎｄＳＶＭ

ꢀ ꢀ ꢀ ꢀ

ｙ

，

ＤＵＸｉｎ

ꢀ

ＷＡＮＧＹｉｎＷＡＮＧＬｉｄｅＱＩＵＪｉＳＨＥＮＰｉｎ

ꢀ ꢀ ｇ ꢀ

ꢀ

（

，

）

ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｉｎｅｅｒｉｎＢｅｉｉｎＪｉａｏｔｏｎＵｎｉｖｅｒｓｉｔＢｅｉｉｎ１０００４４Ｃｈｉｎａ

ꢀ ꢀ ꢀ ｇｊｇｊｇ

ｇ

ꢀ

ｙ

ꢀ

：

ＡｂｓｔｒａｃｔｓＰｅｄｅｓｔｒｉａｎｄｅｔｅｃｔｉｏｎｈａｓａｌｗａｓｂｅｅｎａｈｏｔａｎｄｄｉｆｆｉｃｕｌｔｉｓｓｕｅｉｎｔｈｅｆｉｅｌｄｏｆｃｏｍｕｔｅｒｖｉｓｉｏｎ．Ｉｎｔｈｉｓ

ꢀ ꢀ ꢀ ꢀ ꢀ

ꢀ

ｙꢀ ꢀꢀ ꢀ

ꢀ

ｐ

ꢀ

，

（

）

ａｅｒａｄｅｅｌｅａｒｎｉｎｎｅｔｗｏｒｋｔｈａｔｃｏｍｂｉｎｅｓＲｅｓｔｒｉｃｔｅｄＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅＲＢＭａｎｄＳｕｏｒｔＶｅｃｔｏｒＭａ

ｐｐ

ꢀ ｐ－

ꢀ

ｐ

ꢀ

ｇ

ꢀ

（

）

ｃｈｉｎｅｓＳＶＭｗａｓｒｏｏｓｅｄｆｏｒｅｄｅｓｔｒｉａｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅｕｎｓｕｅｒｖｉｓｅｄｔｒａｉｎｉｎｎｅｔ

ꢀｐｐ ꢀ ꢀｐ－

ꢀ

ｐ

ꢀ

ｇ

ꢀ

，

ｗｏｒｋａｒａｍｅｔｅｒｓｏｆＭｕｌｔｉｌａｅｒＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅｗｅｒｅｕｓｅｄｔｏｅｔｅｄｅｓｔｒｉａｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｗｈｉｃｈｗｅｒｅ

ｙ ꢀ

ꢀｐ ꢀ ꢀ ꢀ ꢀｇ ꢀｐ

ꢀ

ｃｏｍｂｉｎｅｄｗｉｔｈＳＶＭｔｏｃｏｎｓｔｒｕｃｔｔｈｅｆｅａｔｕｒｅｃｌａｓｓｉｆｉｅｒｆｏｒｆｅａｔｕｒｅｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｂａｓｅｄｏｎｔｈｅｉｎｔｅｒａｔｉｏｎｏｆｖａｒｉ

ｇ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ －

，

ｏｕｓｅｄｅｓｔｒｉａｎｄａｔａｂａｓｅｓｔｈｅｅｄｅｓｔｒｉａｎｔｒａｉｎｉｎｓａｍｌｅｓｗｅｒｅｅｘａｎｄｅｄｔｏｍｅｅｔｔｈｅｒｅｕｉｒｅｍｅｎｔｓｏｆｄｅｅ

ꢀｐ ꢀｐ ꢀ ｐ ꢀ ꢀ ꢀ ｑ ꢀ ꢀ

ｐ

ꢀ

ｇ

ꢀ

ｐ

ꢀ

，

ｌｅａｒｎｉｎｆｏｒｌａｒｅｄａｔａｓａｍｌｅｓ．Ｉｎｔｈｅｅｘｅｒｉｍｅｎｔｔｈｅｅｆｆｅｃｔｓｏｆｔｈｅｎｅｔｗｏｒｋｓｗｉｔｈｄｉｆｆｅｒｅｎｔｌａｅｒｓｏｎｔｈｅｅｒ

ꢀ ｇꢀ ꢀ ꢀ ｐ ꢀ ꢀ ꢀ ｙ ꢀ ꢀ ꢀｐ－

ｇ

ꢀ

ｐ

ꢀ

ｆｏｒｍａｎｃｅｏｆｔｈｅｍｏｄｅｌｗｅｒｅｃｏｍａｒｅｄ．Ｔｈｅｅｄｅｓｔｒｉａｎｄｅｔｅｃｔｉｏｎｅｆｆｅｃｔｏｆｔｈｉｓｍｅｔｈｏｄｗａｓｃｏｍａｒｅｄｗｉｔｈｔｒａｄｉ

ꢀ ꢀ ꢀｐ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ －

ꢀ

ｐ

ꢀ

ｔｉｏｎａｌａｒｔｉｆｉｃｉａｌｆｅａｔｕｒｅｓｉｎｃｏｍｌｅｘｓｃｅｎｅｓ．Ｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｄｅｅｌｅａｒｎｉｎｆｏｒｅｄｅｓｔｒｉａｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀ

ꢀ

ｐ

ꢀ

ｇ

ꢀ

ｗａｓｖｅｒｉｆｉｅｄ．

ꢀ

：

ｐ

；

（

）；

ＫｅｗｏｒｄｓｅｄｅｓｔｒｉａｎｄｅｔｅｃｔｉｏｎｒｅｓｔｒｉｃｔｅｄｂｏｌｔｚｍａｎｎｍａｃｈｉｎｅＲＢＭｓｕｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓＳＶＭｕｎｓｕ

－

（

）；

ꢀ

ｐ

ꢀ

ｙ

ꢀ

；

ｅｒｖｉｓｅｄｔｒａｉｎｉｎｄｅｅｌｅａｒｎｉｎ

ｇ

ｐ

ꢀ

ｇ

ｐ

ꢀ

；、

外研究热点同时由于现实生活中行人在衣着形态变

行人检测技术由于应用的广泛性使其在计算机视

ꢀꢀ

，、

觉领域成为一个重要分支其在视频监控机器人视

、、

化所处背景的多样性以及光照强弱行人之间的相互

、、

觉汽车自动驾驶虚拟现实技术以及基于内容的视频

遮挡问题也使得行人检测成为计算机视觉领域内的难

［］

１

，

检索等多个领域中具有重要的作用因此一直是国内

，

点问题

铁路车站环境下正是存在着这样的行人检

。

测难点问题而在多突发事件的列车车站环境下人工

：

；

：

２０１７０２０９

－

，

事后排查监控视频效率极低因此基于视频检索技术

收稿日期

修回日期

２０１６１２１９

－－

－

：

（

）

基金项目中国铁路总公司科技研究开发计划

２０１５Ｘ００９Ｈ

－

：

（

—），

，

安徽铜陵人博士研究生

。

第一作者

王

Ｅｍａｉｌ１６１１７３９３ｂｔｕ．ｅｄｕ．ｃｎ

银

男

的研究对改变目前的调查取证方式有着非常大的意

１９８９

ꢀ

：

－

＠ｊ

，

义行人检测正是针对监控视频检索技术的核心技术

，

：

通信作者王立德

（

—），

，

北京人教授硕士

，

。

男

１９６０

：

Ｅｍａｉｌｌｄｗａｎｂｔｕ．ｅｄｕ．ｃｎ

－

ｇ＠ｊ

。

也是保证检索准确度的首要条件

铁

道学

ꢀꢀ ꢀꢀ ꢀꢀ

报

第

卷

４０

９６

ꢀ

目前行人检测技术按照特征提取模式可以分为两

ꢀꢀ

行人特征提取及分类

行人训练数据库的扩建

１

ꢀ

：

类基于人工特征的行人检测和基于深度学习的行人

。

检测基于人工特征的行人检测在近几十年的发展当

１．１

ꢀ

中无论在检测精度上还是检测速度上都取得了长足的

，

到目前为止在行人检测领域各研究机构开放了

。

“

”

行

ＡｄａＢｏｏｓｔ＋Ｈａａｒ

进步

年

等提出了

２００１Ｖｉｏｌａ

，

多个行人数据库其中比较常见的有

（

数据库包

ＭＩＴ

像素

，

［］

２

，

人检测算法

算法通过

方法从大量简单

ＡｄａＢｏｏｓｔ

，

张行人图片宽高为

）、

ＩＮＲＩＡ

括

数

９２４

６４×１２８

的

特征中选取判别能力强的特征进而进行分

Ｈａａｒ

（

９０２

，

张图片包括

）、

据库

个行人行人未分割

３５４２

ꢀ

，

类取得良好的效果

；

年

２００５Ｄａｌａｌ

等提出梯度方向直

（

行人数据库两种大小的行人图片各

Ｄａｉｍｌｅｒ

１５５６０

ꢀ

（

ＨＯＧＨｉｓｔｏｒａｍｓｏｆＯｒｉｅｎｔｅｄＧｒａｄｉｅｎｔｓ

ꢀ

）

方图

特征

［］

ｇ

ꢀ ꢀ

）、

Ｃａｌｔｅｃｈ

（

，

张

行人数据库视频数据视频中对行人进

３

，

结合简单的线性支持向量机取得了非常好的效果

），

行了标注等这些数据库多数是在基于传统人工行人

之后

等采用积分直方图技术快速计算

［］

特征

Ｚｈｕ

ＨＯＧ

，

特征的训练环境下建立的数据量较小且各数据库之

４

。

提高了行人检测的速度

在之后的研究中研究人员

，

间由于数据格式不兼容无法满足深度学习对于高质

将

特征和多种特征相融合也取得了一定的效

ＨＯＧ

，

量大数据量训练数据的要求因此本文在对现有行人

，

果但是仍不可避免的是采用了基于人工定义的特征

，

、

数据库兼容整合的基础上人工提取了大量监控视频

。

其对于复杂背景及遮挡问题检测效果尚差人意随着

［］

５

，

的行人图片及负样本图片并进行了标注所有图片大

“

年

２００６Ｈｉｎｔｏｎ

等提出深度学习框架采用逐层初

，

像素其中扩充完成的行人数据库

小定义为

６４×１２８

” 、

始化的方式来克服训练上的难度采用多隐层结构来

。

１

部分行人样本见图

，

提高特征学习能力获得特征的非线性表达其强大的

特征提取能力和泛化能力显示了深度学习在机器视觉

。

领域的优点继而各种深度学习架构在短短十余年中

，

相继提出近几年开始出现将深度学习引入到行人检

，

２０１３

，

年香港中文大学欧阳万里提出

测领域的研究

［］

６

，

方法

ＪｏｉｎｔＤｅｅ

ｐ

利用

网络提取行人特征进行

ＣＮＮ

，

行人检测文章结合行人遮挡模型和形变模型取得了

"+$"#,

")$"#*

"#$"#! "%$"#&

"’$"#(

。

不错的效果同年

根据卷积稀疏

ＰｉｅｒｒｉｅＳｅｒｍｏｎｅｔｔｅｓ

ꢀ

［］

７

编码提出非监督方法

进行行人检测也

ＣｏｎｖＮｅｔＵ

－

［］

８

。

取得了一定的效果

等

利用

卷积神经网

Ｍｏｅｚ

３Ｄ

（

）

进行

３ＤＣＮＮ３ＤＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ

络

ꢀ

［］

９

，

人体行为的识别

等

将

卷积神

Ｍａｒｔｉｎｓｏｎ

ＡｌｅｘＮｅｔ

ꢀ

经网络结构应用到移动机器人的视觉系统中来进行行

［］

１０

，

人的检测而

在

年

月提出

ＹｏｕｎｗｏｏｋＫｉｍ

ｇ

ꢀ

２０１６

１

"-$"#. "/$"#0

"1$"#2 "3$"#4

"5$"#!6

（

ＤＣＮＮｓＤｅｅＣｏｎｖｏｌｕｔｉｏｎａｌ

ｐ

将深度卷积神经网络

ꢀ

!! "#$%&’(

行人多层玻尔兹曼机训练模型结构

）

应用到多普勒雷达采集到的信息进

ＮｅｕｒａｌＮｅｔｗｏｒｋｓ

ꢀ

１．２

ꢀ

，

行行人的检测以及分类上检测准确率达到了

，

９７．６％

为对比不同深度的网络模型对于特征提取能力的

。

分类准确率达到了

９０．９％

，，

影响分别建立多层网络结构每个网络均包含多层

本文提出了将玻尔兹曼机级联

分类器应用

ＳＶＭ

［］

１１

网络及最后一层

，

分类器多层

网

ＲＢＭ

ＳＶＭ

ＲＢＭ

，

到视频图像中进行行人的检测及特征提取所建立的

（

）

（

ＨｉｄｄｅｎＬａ

ꢀ ｙ

络中每层由显层

及隐层

ＶｉｓｉｂｌｅＬａｅｒ

ꢀ ｙ

－

训练网络中包含多层玻尔兹曼机无监督网络进行特征

）

，

构成显层由显元组成相应的隐层由隐元组成显

ｅｒ

，

分类器进行特征的分类本文

提取及最后一层

ＳＶＭ

，

层和隐层内部神经元之间没有互联相邻层之间神经

同时对比了不同层数训练网络对于行人特征提取能力

，

元全连接通过自下而上的学习形成特征多层的抽象

，

的影响最后结果显示多层

网络的非线性深层

ＲＢＭ

，

表示多层深度网络结构见图

。

２

，

次网络结构模型能够很好地表征行人特征在复杂环

境下较之于传统基于人工特征的行人检测方法具有很

图

第一层

网络的显层为输入的行人数

２

ＲＢＭ

，

据由行人数据集特征可计算输入向量维数为

，

８１９２

ꢀ

。

大的优势

，

层间连接权值为

后面每个

网络的输入层均

ＲＢＭ

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

一种基于多层RBM网络和SVM的行人检测方法研究

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页