[发明专利]基于多层次深度特征融合的摄像机网络行人识别方法

摘要

本发明公开了一种基于多层次深度特征融合的摄像机网络行人识别方法，其通过迁移预训练网络的参数到行人数据库，在行人数据库上学习了一个新的网络模型，利用新的网络模型提取多个不同层次的深度特征，并通过将卷积神经网络最后一层的Softmax分类器替换为SVM分类器，达到了充分利用多层深度特征的目的；进而利用不同层次的深度特征构造多组二分类的SVM分类器，并对这些二分类器的决策值进行线性加权得到最终分类结果。本发明在SVM分类器的决策层进行多层特征融合的方式能够有效提高对行人目标进行识别的准确率。

主权项

1.一种基于多层次深度特征融合的摄像机网络行人识别方法，包括如下步骤：(1)根据AlexNet图像分类模型的八层卷积神经网络结构，在ImageNet数据库上进行训练得到一个预训练网络；(2)通过对所述的预训练网络进行微调，在行人数据库上学习一个新的网络模型，即目标网络；具体实现过程为：首先修改预训练网络的网络结构，即将该预训练网络最后一层的输出单元个数修改为行人数据库的行人类别数，其余保持不变，得到目标网络的网络结构；然后迁移预训练网络第1～7层的网络参数至目标网络的第1～7层，并用行人数据库中的训练数据重新学习目标网络最后一层的参数，最终学习完成后得到所述的目标网络；(3)根据所述的目标网络提取所有训练样本第l层的深度特征，l＝5、6或7，并用不同层次特征表示的训练样本分别训练k个二分类的SVM，k为行人数据库的行人类别数，其中第j个SVM用于将第j类与其他所有类别划分开，j为自然数且1≤j≤k；具体实现过程为：首先将行人数据库中的训练样本集分为若干个批次，并分批输入至目标网络中，对所有批次提取目标网络第l层的输出，得到整个训练样本集的第l层深度特征；然后将第j类训练样本的第l层深度特征作为正样本，其余训练样本的第l层深度特征作为负样本，训练二分类的SVM，训练得到的SVM记为SVM_lu，并依此遍历k个类别；(4)对于行人数据库中任一测试样本，在SVM的决策层对其不同层次的深度特征进行融合，得到该测试样本对应的决策值向量V，取决策值向量V中最大元素值所对应的类别即为该测试样本的类别标签；具体实现过程为：对于行人数据库中任一测试样本，首先将该测试样本输入至目标网络中，提取目标网络第l层的输出作为该测试样本第l层深度特征；进而将该测试样本第l层深度特征输入至各SVM中，得到对应的决策函数值并组成向量G_l；最后根据下式对各层次进行融合得到决策值向量V：其中：a_l为第l层深度特征所占的权重。