[发明专利]基于深度学习的行人特征提取及处理系统

权利要求书

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取及处理系统，其特征在于，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。

7.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。

8.根据权利要求6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：

conv＝σ(imgMat°W+b)；

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。