The present invention discloses a pedestrian recognition system based on lightweight network and its implementation method. The system comprises an image processing module, a pedestrian recognition neural network training module and a pedestrian recognition system testing module. The pedestrian recognition neural network training module includes a neural network framework module and a network training module; the neural network framework module constructs a lightweight two-channel neural network according to the characteristics of the neural network, and the network training module trains the expanded image data; the testing module is used for testing The performance of a pedestrian test system is characterized by a cumulative matching characteristic curve and Rank_k accuracy. The invention is realized by a lightweight two-channel network, and by adding two sub-networks, the lightweight network of the invention can better learn useful information, and the extracted features can better recognize pedestrians.
【技术实现步骤摘要】
基于轻量级网络的行人再识别系统及实现方法
本专利技术涉及行人再识别的
,更具体地说,涉及一种基于轻量级网络的行人再识别系统及实现方法。
技术介绍
行人再标识,也被称为行人再识别,主要的任务是为了从视角不重叠的摄像机拍摄到的人物图片中,识别出特定的人来,如图1所示。如今的生活中,许多的场所都安装监控摄像头,但如果只是依靠人工来进行识别,不仅浪费时间和金钱,同时得到的结果也不尽人意。通过人工来操作,人们更容易于依赖自己的主观判断,不容易有一个客观的评价,通过人工来进行识别准确率不高。用深度学习做行人再识别的方法有很多。例如,在“PersonRe-Identificationbycameracorrelationawarefeatureaugmentation”中则是利用Alexnet提取特征,然后利用度量学习来进行行人再识别。在“LearningDeepFeatureRepresentationswithGuidedDropoutforPersonRe-identification”中,文章提出依据各个数据库来使用随机忽略神经网络的某些神经元,所用的神经网络参数规模大,不适合在内存受限的设备上使用。"Deeply-LearnedPart-AlignedRepresentationsforPersonRe-Identification"中这是使用googlenet来做图像对准,然后匹配。现有的基于深度学习的行人再识别系统,追求识别效果的提升而采用很深、参数规模很大的神经网络,识别效果不错,但庞大的神经网络无法在内存受限的设备上运行。首先,庞大的神经网络训练 ...
【技术保护点】
1.基于轻量级网络的行人再识别系统,其特征在于,包括:图像处理模块、行人再识别神经网络训练模块以及行人再识别系统测试模块;所述图像处理模块,用于通过数据增广技术增加图片数据量以及图片的变化性,以达到神经网络模型训练结果的提升;所述行人再识别神经网络训练模块包括神经网络构架模块和网络训练模块;所述神经网络构架模块,用于根据神经网络的特点,构建轻量级双通道神经网络,所述神经网络构架模块,采用如下的策略构建神经网络;A、利用全局池化层来代替全连接层,用全局池化层可大大减少参数量;B、采用bottle‑neck的网络结构,用1*1的卷积层与3*3的卷积层的组合去代替传统的只用3*3的卷积层;C、通过增加使用双通道轻量级网络提升网络性能;所述网络训练模块,将训练数据集合划分为两个数据子集合,一个作为训练集合,一个作为验证集合,对扩充后的图像数据进行训练;所述行人再识别系统测试模块用于验证行人测试系统的性能,所述测试性能通过累计匹配特性曲线和Rank‑k正确率来表征。
【技术特征摘要】
1.基于轻量级网络的行人再识别系统,其特征在于,包括:图像处理模块、行人再识别神经网络训练模块以及行人再识别系统测试模块;所述图像处理模块,用于通过数据增广技术增加图片数据量以及图片的变化性,以达到神经网络模型训练结果的提升;所述行人再识别神经网络训练模块包括神经网络构架模块和网络训练模块;所述神经网络构架模块,用于根据神经网络的特点,构建轻量级双通道神经网络,所述神经网络构架模块,采用如下的策略构建神经网络;A、利用全局池化层来代替全连接层,用全局池化层可大大减少参数量;B、采用bottle-neck的网络结构,用1*1的卷积层与3*3的卷积层的组合去代替传统的只用3*3的卷积层;C、通过增加使用双通道轻量级网络提升网络性能;所述网络训练模块,将训练数据集合划分为两个数据子集合,一个作为训练集合,一个作为验证集合,对扩充后的图像数据进行训练;所述行人再识别系统测试模块用于验证行人测试系统的性能,所述测试性能通过累计匹配特性曲线和Rank-k正确率来表征。2.根据权利要求1所述基于轻量级网络的行人再识别系统,其特征在于,所述图像处理模块包括旋转模块、平移模块、随机剪裁模块、颜色增强模块、尺度变换模块、噪声模块以及随机擦除模块;所述旋转模块,用于将原始图片旋转来获得图片数据的扩充;所述平移模块,用于图像平移变换,通过移动若干像素点来获得图片数据的扩充;所述颜色增强模块,用于通过对图片亮度、饱和度和对比度的变化来获得颜色的多种变换,来提高图片数据量;所述尺度变换模块,用于改变图片的尺度大小;所述噪声模块,用于通过在图片加入噪声来增加图片数据的多样性;所述随机擦除模块,通过随机选取图片的局部区域用随机的值去代替原来的值,以达到类似遮挡的效果。3.根据权利要求1所述基于轻量级网络的行人再识别系统,其特征在于,所述神经网络构架模块是在caffe设计神经网络结构,并编写训练代码和交叉验证代码。4.根据权利要求1所述基于轻量级网络的行人再识别系统,其特征在于,所述双通道轻量级网络的网络结构如下:所述双通道轻量级网络由两个子通道组成,每个子通道由三个Fire模块和一个卷积层组成,其中Fire模块是来自SqueezeNet的组件,最后,两个子通道会由一个Fusion层连接在一起,经过一个softmax层进行训练。5.根据权利要求1所述基于轻量级网络的行人再识别系统,其特征在于,所述网络训练模块,采用下述具体方法进行训练:首先,将训练数据分成两个部分,一个作为训练数据一个作为验证集数据;其次,将训练数据进行数据扩充,输入到双通道轻量级神经网络训练,并...
【专利技术属性】
技术研发人员:郑伟诗,吴伟基,吴岸聪,
申请(专利权)人:中山大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。