[发明专利]多属性识别方法及装置

权利要求书

1.一种基于计算机视觉的多属性识别方法，其特征在于，包括：

对预设训练数据进行字典学习，得到包括字典矩阵和系数转化矩阵的属性识别模型；其中，预先训练数据为包含预设种类属性且标注好属性信息的训练数据；所述预设训练数据为图像或图片，所述属性为所述预设训练数据具有的属性；

获取待识别样本的特征数据；其中，所述待识别样本为图像或图片；

利用所述字典矩阵对所述特征数据进行编码，得到编码系数；

利用所述系数转化矩阵将所述编码系数转化为属性向量；

利用所述属性向量对所述待识别样本进行多属性识别；

其中，所述对预设训练数据进行字典学习，得到包括字典矩阵和系数转化矩阵的属性识别模型，包括：

利用如下的目标函数对预设训练数据进行字典学习，得到包括字典矩阵和系数转化矩阵的属性识别模型：

其中，D为字典矩阵、W为系数转化矩阵、S为对应的编码系数，λ为系数的L2-norm约束因子；α为预设参数，为正值，大小可调；F为矩阵范数的记号；X为预设训练数据的特征矩阵，A为预设训练数据的属性矩阵，A中的每一列代表一个图形样本的属性向量，a_i,j为A第i列第j行的元素，

2.根据权利要求1所述的方法，其特征在于，所述利用所述字典矩阵对所述特征数据进行编码，得到编码系数，包括：

利用所述字典矩阵根据如下公式对所述特征数据进行编码，得到编码系数：

其中，x为待识别样本的特征数据，s为与所述待识别样本的特征数据对应的编码系数。

3.根据权利要求2所述的方法，其特征在于，所述利用所述系数转化矩阵将所述编码系数转化为属性向量，包括：

利用所述系数转化矩阵根据如下公式将所述编码系数转化为属性向量：

a＝Ws.

其中，a为待识别样本的属性向量。

4.根据权利要求3所述的方法，其特征在于，所述利用所述属性向量对所述待识别样本进行多属性识别，包括：

通过所述属性向量确定所述待识别样本是否包含某一属性：

其中，a_i为所述属性向量的第i个元素，若a_i大于预设阈值，则所述待识别样本包含第i个属性，否则所述待识别样本不包含第i个属性。

5.一种基于计算机视觉的多属性识别装置，其特征在于，包括：

字典学习模块，用于对预设训练数据进行字典学习，得到包括字典矩阵和系数转化矩阵的属性识别模型；其中，预先训练数据为包含预设种类属性且标注好属性信息的训练数据；所述预设训练数据为图像或图片，所述属性为所述预设训练数据具有的属性；

特征获取模块，用于获取待识别样本的特征数据；其中，所述待识别样本为图像或图片；

编码模块，用于利用所述字典矩阵对所述特征数据进行编码，得到编码系数；

系数转化模块，用于利用所述系数转化矩阵将所述编码系数转化为属性向量；

属性识别模块，用于利用所述属性向量对所述待识别样本进行多属性识别；

其中，所述字典学习模块具体用于：

利用如下的目标函数对预设训练数据进行字典学习，得到包括字典矩阵和系数转化矩阵的属性识别模型：

其中，D为字典矩阵、W为系数转化矩阵、S为对应的编码系数，λ为系数的L2-norm约束因子；α为预设参数，为正值，大小可调；F为矩阵范数的记号；X为预设训练数据的特征矩阵，A为预设训练数据的属性矩阵，A中的每一列代表一个图形样本的属性向量，a_i,j为A第i列第j行的元素，

6.根据权利要求5所述的装置，其特征在于，所述编码模块具体用于：

利用所述字典矩阵根据如下公式对所述特征数据进行编码，得到编码系数：

其中，x为待识别样本的特征数据，s为与所述待识别样本的特征数据对应的编码系数。