基于深度学习的行人特征提取及处理系统技术方案

本发明专利技术公开了基于深度学习的行人特征提取及处理系统。涉及深度学习特征提取及处理技术领域。包括图像采集模块、行人特征识别模块；行人特征识别模块包括控制单元；控制单元分别与反馈模块、存储模块、匹配识别模块、深度学习训练模块、特征提取模块、行人检测模块；行人检测模块分别与深度学习训练模块、特征提取模块电性连接；特征提取模块与深度学习训练模块电性连接；存储模块内设有行人特征模型库。本发明专利技术通过深度学习训练模块采用CNN算法训练CNN模型以及特征提取模块采用CNN模型对数字图像特征提取，实现了行人特征提取的精细化，解决了现有特征提取及处理过程不合理导致识别率低的问题。

【技术实现步骤摘要】
基于深度学习的行人特征提取及处理系统
本专利技术属深度学习特征提取及处理
，特别是涉及基于深度学习的行人特征提取及处理系统。
技术介绍
人脸比对致力于鉴定两张人脸是否属于同一个人，难点在于能否获取到稳定的特征。近些年越来越多的深度模型，尤其是卷积神经网络(CNN)被用来提取深层视觉特征，通过模仿人大脑皮层的神经网络，采用卷积、池化、非线性变化等手段提出的卷积神经网络模型，可以获取更抽象更本质的视觉特征。但仍然存在由特征提取及处理过程不合理导致识别率低的问题。
技术实现思路
本专利技术的目的在于提供基于深度学习的行人特征提取及处理系统，通过深度学习训练模块采用CNN算法训练CNN模型以及特征提取模块采用CNN模型对数字图像特征提取，实现了行人特征提取的精细化，解决了现由特征提取及处理过程不合理导致识别率低的问题。为解决上述技术问题，本专利技术是通过以下技术方案实现的：本专利技术为基于深度学习的行人特征提取及处理系统，包括图像采集模块、行人特征识别模块；所述行人特征识别模块包括控制单元；所述控制单元分别与反馈模块、存储模块、匹配识别模块、深度学习训练模块、特征提取模块、行人检测模块；所述存储模块分别与匹配识别模块、特征提取模块电性连接；所述行人检测模块分别与深度学习训练模块、特征提取模块电性连接；所述特征提取模块与深度学习训练模块电性连接；所述存储模块内设有行人特征模型库；所述图像采集模块分别与行人特征识别模块、摄像机电性连接。优选地，所述控制单元包括ARM单片机；所述图像采集模块内集成图像采集卡；所述图像采集卡接收摄像机内的图像信息；所述图像采集卡内对图像信息进行数模转换获取数字图像信息；所述图像采集卡通过PCI总线传输数字图像信息至行人特征识别模块。优选地，所述反馈模块上安装有用于显示反馈信息的显示屏。优选地，所述行人检测模块将经检测过的数字图像传递给深度学习训练模块或特征提取模块。优选地，所述深度学习训练模块采用CNN算法训练得到CNN模型；所述CNN模型包括输入层、若干的卷积层、全连接层、输出层；所述输入层与卷积层间设有隐藏层；所述卷积层与全连接层间设有隐藏层；所述深度学习训练模块传递训练完成的CNN模型至特征提取模块。优选地，所述特征提取模块采用CNN模型对数字图像特征提取得到特征矢量或行人特征模型；所述特征提取模块传递特征矢量至匹配识别模块；所述特征提取模块传递行人特征模型至行人特征模型库。优选地，所述匹配识别模块采用余弦相似度将特征矢量与行人特征识别模型库中的行人特征模型对比后输出一组相似度值，将相似度值从大到小排序，输出行人特征识别模型库中最大相似度值对应的图像。优选地，所述CNN模型对数字图像特征提取及处理的过程如下：A、所述数字图像输入CNN模型的输入层；B、所述数字图像在卷基层做上做卷积提取特征矢量；所述卷基层上的计算公式为：其中，conv表述卷积层输入参数、σ表示激活函数ReLU、imgMat表示灰度图像矩阵、W表示卷积核、表示卷积操作、b表示偏置值；C、所述输入层前向传播到卷积层，前向传播的过程表示为：a2＝σ(z2)＝σ(a1*W2+b2)；其中，a2卷积层输入参数、上标代表层数、星号代表卷积、b代表偏倚、σ为激活函数ReLU；C、隐藏层前向传播到卷积层，前向传播过程表示为：al＝σ(zl)＝σ(al-1*Wl+bl)；其中，al卷积层输入参数、上标代表层数、星号代表卷积、b代表偏倚、σ为激活函数ReLU；D、隐藏层前向传播到全连接层，前向传播的过程为：Al＝σ(zl)＝σ(Wlal-1+bl)；其中，Al全连接层输入参数、上标代表层数、星号代表卷积、b代表偏倚、σ为激活函数ReLU。本专利技术具有以下有益效果：本专利技术通过深度学习训练模块采用CNN算法训练CNN模型以及特征提取模块采用CNN模型对数字图像特征提取，实现了行人特征提取的精细化，解决了现由特征提取及处理过程不合理导致识别率低的问题。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的基于深度学习的行人特征提取及处理系统结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1所示，本专利技术图像采集模块、行人特征识别模块；行人特征识别模块包括控制单元；控制单元分别与反馈模块、存储模块、匹配识别模块、深度学习训练模块、特征提取模块、行人检测模块；存储模块分别与匹配识别模块、特征提取模块电性连接；行人检测模块分别与深度学习训练模块、特征提取模块电性连接；特征提取模块与深度学习训练模块电性连接；存储模块内设有行人特征模型库；图像采集模块分别与行人特征识别模块、摄像机电性连接。其中，控制单元包括ARM单片机；图像采集模块内集成图像采集卡；图像采集卡接收摄像机内的图像信息；图像采集卡内对图像信息进行数模转换获取数字图像信息；图像采集卡通过PCI总线传输数字图像信息至行人特征识别模块。其中，反馈模块上安装有用于显示反馈信息的显示屏。其中，行人检测模块将经检测过的数字图像传递给深度学习训练模块或特征提取模块。其中，深度学习训练模块采用CNN算法训练得到CNN模型；CNN模型包括输入层、一卷积层、全连接层、输出层；输入层与卷积层间设有隐藏层；卷积层与全连接层间设有隐藏层；深度学习训练模块传递训练完成的CNN模型至特征提取模块。其中，特征提取模块采用CNN模型对数字图像特征提取得到特征矢量或行人特征模型；特征提取模块传递特征矢量至匹配识别模块；特征提取模块传递行人特征模型至行人特征模型库。其中，匹配识别模块采用余弦相似度将特征矢量与行人特征识别模型库中的行人特征模型对比后输出一组相似度值，将相似度值从大到小排序，输出行人特征识别模型库中最大相似度值对应的图像。其中，CNN模型对数字图像特征提取及处理的过程如下：A、数字图像输入CNN模型的输入层；B、数字图像在卷基层做上做卷积提取特征矢量；卷基层上的计算公式为：其中，conv表述卷积层输入参数、σ表示激活函数ReLU、imgMat表示灰度图像矩阵、W表示卷积核、表示卷积操作、b表示偏置值；C、输入层前向传播到卷积层，前向传播的过程表示为：a2＝σ(z2)＝σ(a1*W2+b2)；其中，a2卷积层输入参数、上标代表层数、星号代表卷积、b代表偏倚、σ为激活函数ReLU；C、隐藏层前向传播到卷积层，前向传播过程表示为：al＝σ(zl)＝σ(al-1*Wl+bl)；其中，al卷积层输入参数、上标代表层数、星号代表卷积、b代表偏倚、σ为激活函数ReLU；D、隐藏层前向传播到全连接层，前向传播的过程为：Al＝σ(zl)＝σ(Wlal-1+bl)；其中，Al全连接层输入参数、上标代表层数、星号代表卷积、b代表偏本文档来自技高网...

【技术保护点】
基于深度学习的行人特征提取及处理系统，其特征在于，包括图像采集模块、行人特征识别模块；所述行人特征识别模块包括控制单元；所述控制单元分别与反馈模块、存储模块、匹配识别模块、深度学习训练模块、特征提取模块、行人检测模块；所述存储模块分别与匹配识别模块、特征提取模块电性连接；所述行人检测模块分别与深度学习训练模块、特征提取模块电性连接；所述特征提取模块与深度学习训练模块电性连接；所述存储模块内设有行人特征模型库；所述图像采集模块分别与行人特征识别模块、摄像机电性连接。

【技术特征摘要】
1.基于深度学习的行人特征提取及处理系统，其特征在于，包括图像采集模块、行人特征识别模块；所述行人特征识别模块包括控制单元；所述控制单元分别与反馈模块、存储模块、匹配识别模块、深度学习训练模块、特征提取模块、行人检测模块；所述存储模块分别与匹配识别模块、特征提取模块电性连接；所述行人检测模块分别与深度学习训练模块、特征提取模块电性连接；所述特征提取模块与深度学习训练模块电性连接；所述存储模块内设有行人特征模型库；所述图像采集模块分别与行人特征识别模块、摄像机电性连接。2.根据权利要求1所述的基于深度学习的行人特征提取及处理系统，其特征在于，所述控制单元包括ARM单片机；所述图像采集模块内集成图像采集卡；所述图像采集卡接收摄像机内的图像信息；所述图像采集卡内对图像信息进行数模转换获取数字图像信息；所述图像采集卡通过PCI总线传输数字图像信息至行人特征识别模块。3.根据权利要求1所述的基于深度学习的行人特征提取及处理系统，其特征在于，所述反馈模块上安装有用于显示反馈信息的显示屏。4.根据权利要求1所述的基于深度学习的行人特征提取及处理系统，其特征在于，所述行人检测模块将经检测过的数字图像传递给深度学习训练模块或特征提取模块。5.根据权利要求1所述的基于深度学习的行人特征提取及处理系统，其特征在于，所述深度学习训练模块采用CNN算法训练得到CNN模型；所述CNN模型包括输入层、若干的卷积层、全连接层、输出层；所述输入层与卷积层间设有隐藏层；所述卷积层与全连接层间设有隐藏层；所述深度学习训练模块传递训练完成的CNN模型至特征提取模块。6.根据权利要求1所述的基于深度学习的行人特征提...

【专利技术属性】
技术研发人员：郑荣稳，
申请(专利权)人：合肥寰景信息技术有限公司，
类型：发明
国别省市：安徽,34