1.一種基于多層次深度特征融合的攝像機(jī)網(wǎng)絡(luò)行人識(shí)別方法，包括如下步驟：
(1)根據(jù)AlexNet圖像分類(lèi)模型的八層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在ImageNet數(shù)據(jù)庫(kù)上進(jìn)行訓(xùn)練得到一個(gè)預(yù)訓(xùn)練網(wǎng)絡(luò)；
(2)通過(guò)對(duì)所述的預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行微調(diào)，在行人數(shù)據(jù)庫(kù)上學(xué)習(xí)一個(gè)新的網(wǎng)絡(luò)模型，即目標(biāo)網(wǎng)絡(luò)；
(3)根據(jù)所述的目標(biāo)網(wǎng)絡(luò)提取所有訓(xùn)練樣本第l層的深度特征，l＝5、6或7，并用不同層次特征表示的訓(xùn)練樣本分別訓(xùn)練k個(gè)二分類(lèi)的SVM，k為行人數(shù)據(jù)庫(kù)的行人類(lèi)別數(shù)，其中第j個(gè)SVM用于將第j類(lèi)與其他所有類(lèi)別劃分開(kāi)，j為自然數(shù)且1≤j≤k；
(4)對(duì)于行人數(shù)據(jù)庫(kù)中任一測(cè)試樣本，在SVM的決策層對(duì)其不同層次的深度特征進(jìn)行融合，得到該測(cè)試樣本對(duì)應(yīng)的決策值向量V，取決策值向量V中最大元素值所對(duì)應(yīng)的類(lèi)別即為該測(cè)試樣本的類(lèi)別標(biāo)簽。
2.根據(jù)權(quán)利要求1所述的攝像機(jī)網(wǎng)絡(luò)行人識(shí)別方法，其特征在于：所述步驟(2)的具體實(shí)現(xiàn)過(guò)程為：首先修改預(yù)訓(xùn)練網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，即將該預(yù)訓(xùn)練網(wǎng)絡(luò)最后一層的輸出單元個(gè)數(shù)修改為行人數(shù)據(jù)庫(kù)的行人類(lèi)別數(shù)，其余保持不變，得到目標(biāo)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)；然后遷移預(yù)訓(xùn)練網(wǎng)絡(luò)第1～7層的網(wǎng)絡(luò)參數(shù)至目標(biāo)網(wǎng)絡(luò)的第1～7層，并用行人數(shù)據(jù)庫(kù)中的訓(xùn)練數(shù)據(jù)重新學(xué)習(xí)目標(biāo)網(wǎng)絡(luò)最后一層的參數(shù)，最終學(xué)習(xí)完成后得到所述的目標(biāo)網(wǎng)絡(luò)。
3.根據(jù)權(quán)利要求1所述的攝像機(jī)網(wǎng)絡(luò)行人識(shí)別方法，其特征在于：所述步驟(3)的具體實(shí)現(xiàn)過(guò)程為：首先將行人數(shù)據(jù)庫(kù)中的訓(xùn)練樣本集分為若干個(gè)批次，并分批輸入至目標(biāo)網(wǎng)絡(luò)中，對(duì)所有批次提取目標(biāo)網(wǎng)絡(luò)第l層的輸出，得到整個(gè)訓(xùn)練樣本集的第l層深度特征；然后將第j類(lèi)訓(xùn)練樣本的第l層深度特征作為正樣本，其余訓(xùn)練樣本的第l層深度特征作為負(fù)樣本，訓(xùn)練二分類(lèi)的SVM，訓(xùn)練得到的SVM記為SVMlj，并依此遍歷k個(gè)類(lèi)別。
4.根據(jù)權(quán)利要求1所述的攝像機(jī)網(wǎng)絡(luò)行人識(shí)別方法，其特征在于：所述步驟(4)的具體實(shí)現(xiàn)過(guò)程為：對(duì)于行人數(shù)據(jù)庫(kù)中任一測(cè)試樣本，首先將該測(cè)試樣本輸入至目標(biāo)網(wǎng)絡(luò)中，提取目標(biāo)網(wǎng)絡(luò)第l層的輸出作為該測(cè)試樣本第l層深度特征；進(jìn)而將該測(cè)試樣本第l層深度特征輸入至各SVM中，得到對(duì)應(yīng)的決策函數(shù)值并組成向量Gl；最后根據(jù)下式對(duì)各層次進(jìn)行融合得到?jīng)Q策值向量V：
其中：al為第l層深度特征所占的權(quán)重。
5.根據(jù)權(quán)利要求4所述的攝像機(jī)網(wǎng)絡(luò)行人識(shí)別方法，其特征在于：所述的權(quán)重al通過(guò)交叉驗(yàn)證的方法獲得。