(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210655890.4 (22)申请日 2022.06.10 (71)申请人 天峋 （常州） 智能科技有限公司 地址 213000 江苏省常州市武进区常武中 路18号常州科教城中科创业中心A1- 101 (72)发明人 季云　 (74)专利代理 机构 常州易瑞智新专利代理事务 所(普通合伙) 32338 专利代理师 潘悦 (51)Int.Cl. G06V 40/10(2022.01) G06V 20/52(2022.01) G06V 10/22(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/10(2019.01) (54)发明名称 一种行人目标识别方法 (57)摘要 本发明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。 权利要求书3页 说明书7页 附图2页 CN 114973329 A 2022.08.30 CN 114973329 A 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L ogistic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+＝AT(AAT)‑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， fi表示当前个体适应度 值， fg_worst表示当前最差适应度 值， ξ为常数项， 防止权　利　要　求　书 1/3 页 2 CN 114973329 A 2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； 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。 4.根据权利要求1所述的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 习机行人目标识别方法， 其特 征在于， 所述 步骤S3包括： S3.1： 初始化麻雀搜索算法的参数； S3.2： 利用lo gistics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； 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； 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； S3.5： 确定种群中发现者， 更新发现者 位置； S3.6： 确定跟随者， 更新跟随者 位置； S3.7： 确定种群中意识到危险个 体数量， 计算更新 位置； 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； S3.9： 计算变异前后种群适应度， 确定种群最优解； 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； 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。 5.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S4包括： S4.1： 设置损失函数： 式中xi为输出值， yi为实际值； S4.2： 确认自编码激活函数与隐藏层 层数； S4.3： 设置极限学习机网络中隐藏层神经 元数量； 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 。 6.根据权利要求1所述的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 习机行人目标识别方法， 其特 征在于， 所述 步骤S5包括： S5.1： 利用有标签数据训练最小二乘 支持向量机网络； S5.2： 从图像输入训练完成的最小二乘 支持向量机网络中提取有效的拍摄角度信息； S5.3： 将有效的拍摄角度信息与标签作为自编码 ‑极限学习机网络输入， 训练自编码 ‑ 极限学习机网络权　利　要　求　书 2/3 页 3 CN 114973329 A 3