论文研究基于深信度网络分类算法的行人检测方法.pdf

针对目前浅层分类方法存在训练样本数量过大和拟合复杂函数能力较弱等问题，提出一种改进的基于深信度网络分类算法的行人检测方法。通过搭建带T分布函数显层节点的受限波兹曼机输入端改进深信度网络的输入方式，将行人特征提取信息通过输入端的显层结构转换为分类器可以识别的伯努利分布方式；搭建多隐层受限波兹曼机中间层结构，实现隐层结构间的数据传递，保留关键信息。最后，利用BP神经网络搭建分类结构的输出端，实现分类误差信息反向传播并对分类结构的参数进行微调，不断优化分类器结构。实验证明，改进的深信度网络行人检测算法性能优于经典浅层分类算法，算法的检测速度也能满足使用要求。