基于百度飞桨的面向黑暗环境人员行为检测与身份识别

针对传统可见光在黑暗环境中难以实现人员行为检测与身份识别的问题,本文结合红外热成像技术基于百度飞桨深度学习框架研究了一种面向黑暗环境的人员行为检测与身份识别算法.首先经过实地采集,自主构建红外热成像人员行为数据集总计10 900张9种行为类别以及双光人脸数据集总计3 000张30位人员.针对行为检测方面,基于轻量化网络PP-LCNet改进YOLOv5骨干网络进行人员行为检测,大幅度减少模型参数并提高检测精度与推理速度.针对人脸识别方面,引入CycleGAN算法改进InsightFace实现将红外人脸转化为可见光人脸进行身份识别,提高在黑暗环境下人脸识别准确率.最后实现红外人员行为检测网络与人脸识别网络的级联工作,在黑暗环境下可以实时行为检测与身份识别,具有很好的应用效果.实验结果表明,基于PPLCNet轻量化改进的YOLOv5相对于原网络模型参数减少56.4％,平均精度mAP由89.1％提高至94.7％,推理速度由68提高至101 fps;基于CycleGAN算法改进InsightFace相对于原网络黑暗环境下识别准确率由84％提高至99％.