表示第i个，X1表示第i个隐含语义特征，yi表示第i个图像中层特征，N表示特征向量的维数，D表示稀 疏编码基础字典，
表示根据字典D和隐含语义特征X对中层特征y进行 重建后的误差，此项取值越小表明重建误差越小。
[0178] 其中，所述稀疏性约束项为：
[0180] 其中，X表示所述的隐含语义特征，X1表示第i个隐含语义特征，N表示特征向量 的维数，[lyiXilll表示隐含语义特征的稀疏性，即特征向量中非零元素的个数，此项取值 越小表明特征向量的稀疏性越高，即其中非零元素的个数越少。
[0181] 其中，所述鉴别力约束项为：
[0182] J'= tr (Sw-Sh)
[0183] 其中，
I表示不同类别之间的散布矩阵，
表示每个类别内部的散布矩阵，C1表示类别，p i分别为类别C 先验概 率
分别为类别C1的样本均值向量，
为所有类别中样本 的总均值向量，
'分别为类别(^的协方差矩阵，tr (Sw-Sb) 表示所有类别内部的散布程度与不同类别之间的散布程度的差值，此项取值越小表明每个 类别内部的散度越小，而不同类别之间的距离越大，因而分类鉴别力越强。
[0184] 隐含语义特征确定单元04还包括
[0185] 更新子单元，更新稀疏编码基础字典和隐含语义特征；
[0186] 重新计算子单元，通过更新的隐含语义特征和稀疏编码基础字典计算新的重建误 差约束项、稀疏性约束项和鉴别力约束项；
[0187] 迭代子单元，反复循环迭代此过程以获得多组重建误差约束项、稀疏性约束项和 鉴别力约束项。
[0188] 该方案考虑到更高层次的语义信息和更强有力的鉴别力信息也是决定特征性能 的关键因素，通过同时优化所提出的隐含语义特征学习问题和最大鉴别力约束获得了一种 包含信息更加丰富、鉴别力更强的特征，从而能取得更高的行人检测的准确率。
[0189] 实施例6:
[0190] 本实施例中提供一种行人检测装置，结构框图如图5所示，包括
[0191] 基础特征提取单元001，针对每个训练样本提取基础特征；
[0192] 隐含语义特征提取单元002,根据所述基础特征获取所述隐含语义特征；
[0193] 建模单元003,根据所述隐含语义特征建立行人检测模型；
[0194] 输入单元004,获取待测样本；
[0195] 检测单元005,根据所述行人检测模型对所述待测样本进行检测，输出检测结果。
[0196] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序 产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实 施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产 品的形式。
[0197] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程 图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一 流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算 机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理 器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生 用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能 的装置。
[0198] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特 定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
[0199] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计 算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图 一个方框或多个方框中指定的功能的步骤。显然，上述实施例仅仅是为清楚地说明所作的 举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上 还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而 由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
【主权项】
1. 一种图像特征提取方法，其特征在于，包括如下步骤： 获取目标图像中的图像中层特征； 获取隐含语义特征的初始值； 根据所述图像中层特征和隐含语义特征的初始值分别确定重建误差约束项、稀疏性约 束项和鉴别力约束项； 根据重建误差约束项、稀疏性约束项和鉴别力约束项，确定隐含语义特征。2. 根据权利要求1所述的方法，其特征在于，所述根据重建误差约束项、稀疏性约束项 和鉴别力约束项，确定隐含语义特征的步骤包括： 确定重建误差约束项、稀疏性约束项和鉴别力约束项的求和最小值，公式如下： min {Α+λ P+λ 2J' } 其中，A为重建误差约束项，B为稀疏性约束项，Γ为鉴别力约束项，A1为第一比例因 子，λ 2为第二比例因子； 获取所述求和最小值对应的隐含语义特征。3. 根据权利要求1所述的方法，其特征在于，所述根据重建误差约束项、稀疏性约束项 和鉴别力约束项，确定隐含语义特征的步骤包括： 确定重建误差约束项、稀疏性约束项和鉴别力约束项的乘积最小值，公式如下： min {Α* λ 3Β* λ 4J' } 其中，A为重建误差约束项，B为稀疏性约束项，Γ为鉴别力约束项，λ3为第三比例因 子，λ4为第四比例因子； 获取所述乘积最小值对应的隐含语义特征。4. 根据权利要求1-3所述的方法，其特征在于，所述重建误差约束项为：其中，y表示所述的图像中层特征，X表示所述的隐含语义特征，i表示第i个，X1表示 第i个隐含语义特征，Y1表示第i个图像中层特征，N表示特征向量的维数，D表示稀疏编 码基础字典，表示根据字典D和隐含语义特征X对中层特征y进行重建 后的误差，此项取值越小表明重建误差越小。5. 根据权利要求1-4所述的方法，其特征在于，所述稀疏性约束项为：其中，X表示所述的隐含语义特征，X1表示第i个隐含语义特征，N表示特征向量的维 数，表示隐含语义特征的稀疏性，即特征向量中非零元素的个数，此项取值越小 表明特征向量的稀疏性越高，即其中非零元素的个数越少。6. 根据权利要求1-4所述的方法，其特征在于，所述鉴别力约束项为： ]'=tr (Sw-Sb) 其中，表示不同类别之间的散布矩阵，表示每个类别内部的散布矩阵，C1表示类别，P i分别为类别C i的先验概率，X:分别为类别S1的样本均值向量，为所有类别中样本的 总均值向量，分别为类别Ci的协方差矩阵，tr (S w-sb)表 示所有类别内部的散布程度与不同类别之间的散布程度的差值，此项取值越小表明每个类 别内部的散度越小，而不同类别之间的距离越大，因而分类鉴别力越强。7. 采用权利要求4-6任一所述的方法进行行人检测的方法，根据重建误差约束项、稀 疏性约束项和鉴别力约束项，确定隐含语义特征的过程，还包括 更新稀疏编码基础字典和隐含语义特征； 通过更新的隐含语义特征和稀疏编码基础字典计算新的重建误差约束项、稀疏性约束 项和鉴别力约束项； 反复循环迭代此过程以获得多组重建误差约束项、稀疏性约束项和鉴别力约束项。8. 采用权利要求1 一 7任一所述的方法进行行人检测的方法，包括如下步骤： 针对每个训练样本提取基础特征； 根据所述基础特征获取所述隐含语义特征； 根据所述隐含语义特征建立行人检测模型； 获取待测样本； 根据所述行人检测模型对所述待测样本进行检测，输出检测结果。9. 一种图像特征提取装置，其特征在于，包括 图像中层特征获取单元，获取目标图像中的图像中层特征； 初始单元，获取隐含语义特征的初始值； 初始计算单元，根据所述图像中层特征和隐含语义特征的初始值分别确定重建误差约 束项、稀疏性约束项和鉴别力约束项； 隐含语义特征确定单元，根据重建误差约束项、稀疏性约束项和鉴别力约束项，确定隐 含语义特征。10. -种行人检测装置，其特征在于，包括 基础特征提取单元，针对每个训练样本提取基础特征； 隐含语义特征提取单元，根据所述基础特征获取所述隐含语义特征； 建模单元，根据所述隐含语义特征建立行人检测模型； 输入单元，获取待测样本； 检测单元，根据所述行人检测模型对所述待测样本进行检测，输出检测结果。
【专利摘要】本发明提供一种图像特征提取方法及行人检测方法，其中，图像特征提取方法包括：首先，获取目标图像中的图像中层特征，然后获取隐含语义特征的初始值，并根据所述图像中层特征和隐含语义特征的初始值分别确定重建误差约束项、稀疏性约束项和鉴别力约束项；最后根据重建误差约束项、稀疏性约束项和鉴别力约束项，确定隐含语义特征。该方案考虑到更高层次的语义信息和更强有力的鉴别力信息也是决定特征性能的关键因素，通过同时优化所提出的隐含语义特征学习问题和最大鉴别力约束获得了一种包含信息更加丰富、鉴别力更强的特征，从而能取得更高的行人检测的准确率。
【IPC分类】G06K9/00, G06K9/62
【公开号】CN105184260
【申请号】CN201510573728
【发明人】朱超, 彭宇新
【申请人】北京大学, 北大方正集团有限公司
【公开日】2015年12月23日
【申请日】2015年9月10日