基于轻量级网络的行人再识别系统及实现方法技术方案

本发明专利技术公开了一种基于轻量级网络的行人再识别系统及实现方法，系统包括：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；所述图像处理模块通过数据增广技术增加图片数据量以及图片的变化性；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根据神经网络的特点，构建轻量级双通道神经网络，所述网络训练模块，对扩充后的图像数据进行训练；所述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。本发明专利技术通过轻量级双通道网络来实现，通过加入两个子网络，使本发明专利技术的轻量级网络能更好的去学习有用的信息，提取的特征可以更好地识别行人。

Pedestrian recognition system and implementation method based on lightweight network

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速度慢；对于分布式数据并行训练，服务器之间的交互时间和神经网络的规模成正比关系，神经网络的规模大，训练慢。其次，庞大的神经网络传输慢；应用了神经网络技术的领域，例如车联网，内置的程序更新如果采用大型网络，那下载更新应用速度会变得更慢。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于轻量级网络的行人再识别系统，应用于内存受限的设备上，由于参数规模小，在并行化运算过程中，各服务器的交互快，训练时间少；对应使用轻量级网络的程序，更新下载速度快。为了达到上述目的，本专利技术采用以下技术方案：本专利技术基于轻量级网络的行人再识别系统，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。作为优选的技术方案，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。作为优选的技术方案，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。作为优选的技术方案，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。作为优选的技术方案，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，并用验证集合来验证实验的效果；最后，在训练的过程中，当损失函数收敛时候，停止训练。作为优选的技术方案，所述累计匹配特性曲线的计算方法如下：给定一张测试样本行人图片，经过特征提取用匹配模型得到测试样本和图库中所有样本之间的距离，然后将这些距离从小到大排序，距离越小表示样本越有可能属于同一类；所述Rank-k正确率是测试样本与图库中从距离排名第一到排名第k的样本的累计匹配正确率，由此得到累计匹配特性曲线，累计匹配特性曲线横坐标是排名1到k，纵坐标是从Rank-1到Rank-k的正确率，随排名增大，正确率升高，曲线位置越高，表示分类的效果越好。本专利技术基于轻量级网络的行人再识别系统的实现方法，包括下述步骤：S1、图像数据预处理，利用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；S2、在caffe设计神经网络结构，编写训练代码和交叉验证代码，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，所述神经网络结构采用下述策略构建：A、利用全局池化层来代替全连接层，用全局池化层减少参数量；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；S3、对扩充后的图像数据进行训练，训练方法如下：根据数据集合的人数，将一半的人的数据用于训练，用剩下的一半人的数据用来测试，使用的损失函数是softmax损失函数，并采用随机梯度下降的方法进行训练。作为优选的技术方案，步骤S1中，采用旋转、平移、随机裁剪、颜色增强、尺度变换、噪声以及随机擦除方式增加图片数量。作为优选的技术方案，步骤S3之后，还包括对行人再识别系统测试的步骤，测试性能通过累计匹配特性曲线和Rank-k正确率来表征，所述累计匹配特性曲线的计算方法如下：给定一张测试样本行人图片，经过特征提取用匹配模型得到测试样本和图库中所有样本之间的距离，然后将这些距离从小到大排序，距离越小表示样本越有可能属于同一类；所述Rank-k正确率是测试样本与图库中从距离排名第一到排名第k的样本的累计匹配正确率，由此得到累计匹配特性曲线，累计匹配特性曲线横坐标是排名1到k，纵坐标是从Rank-1到Rank-k的正确率，随排名增大，正确率升高，曲线位置越高，表示分类的效果越好。本专利技术与现有技术相比，具有如下优点和有益效果：1、本专利技术的网络规模小，通过构建规模小的神经网络，利用全局池化层来代替全连接层；由于全连接层所含有的参数规模在一个神经网络中占有很本文档来自技高网...

【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