[发明专利]基于局部-整体联合知识蒸馏算法的步态识别模型压缩系统及方法

说明书

本发明公开了一种基于局部‑整体联合知识蒸馏算法的步态识别模型压缩系统及方法。本发明系统采用深度分离卷积设计了紧凑的轻量化步态模型网络，该模型网络中卷积网络仅仅保留了骨干卷积网络，且对骨干卷积网络中各个卷积模块进行了简化；模型网络采用16层轻量化全连接网络，使得模型参数大幅压缩，简化了识别模型的计算，提高了识别效率；本发明方法同时利用了教师模型和学生模型中卷积网络输出的局部特征向量以及全连接网络输出的全局特征向量进行联合知识蒸馏，既由卷积操作保留了行人步态的局部特征，又通过全连接操作提取了行人步态的全局特征，增加了知识蒸馏的信息量，提升了行人步态识别的效果。

技术领域

本发明属于图像识别技术领域，特别涉及一种基于局部-整体联合知识蒸馏算法的步态识别模型压缩系统及方法。

背景技术

步态识别是一种新兴的生物特征识别技术，旨在从一系列的行走姿态中寻找和提取不同行人之间的特征变化，以实现行人身份的自动识别。与其他的生物识别技术相比，步态识别有很多优势，例如：不需要被识别对象主动配合、对图像像素要求低、不受视角限制、易于辨别伪装、识别距离远等。基于此，步态识别技术在视频监控、智能安防等领域有十分广泛的应用。

目前，步态识别技术大多是基于标准卷积神经网络设计的，通过采集含有行人标签的步态视频样本，对识别模型进行训练，使模型从样本中学习到有用的步态表观和动作特征，并能够依据这些特征进行识别。根据有无建立人体模型，可以将现有的步态识别技术分为基于模型的方法和基于表观的方法。

基于模型的方法需要通过建立人体骨架或者姿态结构提取步态特征，计算量大，网络结构冗杂。基于表观的方法是目前最常用的方法，能够直接从相机捕获的原始视频中提取步态特征，可以细分为基于特征模板、基于步态视频、和基于集合的方法。

其中，基于特征模板(如步态能量图)的方法，通过提取特征模板中的步态特征进行识别，实现简单，但容易丢失时序特征；基于步态视频序列的方法，通过三维标准卷积神经网络有效提步态时空特征进行识别，但模型规模大，训练困难；基于集合的方法，通过二维标准卷积神经网络提取步态集合中单帧步态轮廓特征和集合池化结构聚合步态时空特征，实现了较为高效的识别性能，但模型规模仍然很大。

综上，目前的步态识别方法主要采用大容量神经网络模型来实现，模型参数多、训练时间长、应用推广难，不适用于实时性要求较高的现实应用场合。

而传统的模型压缩方法，虽然能够在一定程度降低模型的容量，减少模型参数，但是传统的模型压缩方法较为简单，无法保留模型中的关键信息，导致模型的识别性能下降严重，因而，传统的模型压缩方法并不适于解决步态识别模型的压缩问题。

发明内容

本发明的目的在于提出一种基于局部-整体联合知识蒸馏算法的步态识别模型压缩方法，该方法能够在降低模型参数规模的同时，有效保证模型的步态识别准确率。

本发明为了实现上述目的，采用如下技术方案：

基于局部-整体联合知识蒸馏算法的步态识别模型压缩系统，包括：

包括教师模型Mt和学生模型M_s；其中：

教师模型Mt由卷积网络、集合池化结构、水平金字塔池化结构以及全连接网络组成；

卷积网络由骨干网络和多层全局通道组成；

骨干网络由第一卷积模块、第二卷积模块以及第三卷积模块组成；

第一卷积模块由三层组成，其中：

第一层为标准卷积层，使用5×5的卷积核；第二层为标准卷积层，使用3×3的卷积核；第三层为池化层，采用池化核为2×2、步长为2的最大池化层；

第二卷积模块由三层组成，其中：