基于深度迁移学习与特征可视化辅助的摄像机网络行人识别算法

摘要

本文提出了一种基于深度迁移卷积神经网络和特征可视化辅助的对多个摄像头下的行人样本进行分类以实现行人识别的算法.在实际的监控场景中,由于带标签的行人样本量往往较少,不足以对深度网络进行充分训练,因此本文首先在大型的数据库上预训练一个初始网络,然后采用迁移预训练网络的方法在目标数据库上学习一个新的网络.在迁移之前,本文对预训练网络进行了逐层的特征可视化,以便直观解释各层提取的特征,并根据特征可视化结果来辅助网络的调整和指导分层特征的融合.本文训练了三种不同深度的网络,并从分类准确性和运行时间两个方面进行了分析和评价,发现七层深度网络对行人的分类性能最好.为进一步验证深度特征的有效性和可扩展性,本文提取网络不同层的特征分别用于构建特征矢量,并通过SVM分类器替代传统CNN的Softmax函数对特征进行决策层融合.为了验证算法的有效性,在两个标准数据库WARD和PRID上进行了实验验证.实验结果证明了本文提出的方法可以准确、有效地对不同的行人目标进行分类.通过实验发现,对同一层次的特征来讲,其在SVM上的分类准确率要高于传统CNN的Softmax函数,通过将不同层的深度特征进行融合,进一步提高了识别准确率.实验的定量分析结果与可视化的定性分析结果相互得到了印证.