[发明专利]行人画像的生成及基于画像的行人识别

权利要求书

1.一种基于画像的行人识别方法，其特征在于，所述方法包括：

基于输入信息生成待识别行人的行人画像；以及

基于行人图像数据库和所述行人画像，利用训练好的行人识别神经网络进行行人识别以得到与所述行人画像相对应的行人信息；

所述基于输入信息生成待识别行人的行人画像进一步包括：根据所述输入信息从行人属性模板库中选择相应的模板；以及基于所述选择的模板生成所述行人画像；其中，所述行人属性模板库中的模板所对应的行人属性至少包括以下中的一项或多项：性别、身高、体型、肤色、衣着以及其他穿戴手持物，所述生成的行人画像包括正面行人画像和/或背面行人画像；

其中，所述行人识别神经网络的训练包括：

输入样本画像和与所述样本画像相对应的样本图像；

分别提取所述样本画像的特征和所述样本图像的特征；

基于所述提取的特征和预先设置的损失函数计算所述行人识别神经网络的总损失；以及

基于所述总损失优化所述行人识别神经网络的参数；

所述行人识别神经网络的训练还包括：

在分别提取所述样本画像的特征和所述样本图像的特征之后，将所述提取的特征进行融合；并且

所述计算所述行人识别神经网络的总损失是基于所述融合后的特征和所述预先设置的损失函数。

2.根据权利要求1所述的方法，其特征在于，所述根据所述输入信息从行人属性模板库中选择相应的模板包括：

从所述行人属性模板库中选择与所述输入信息所描述的行人属性相匹配的模板。

3.根据权利要求2所述的方法，其特征在于，所述根据所述输入信息从行人属性模板库中选择相应的模板还包括：

从所述行人属性模板库中选择与所述输入信息所描述的行人属性相关联的行人属性相匹配的模板。

4.根据权利要求1所述的方法，其特征在于，所述行人属性模板库中的模板为二维模板，且所述基于所述选择的模板生成行人画像包括：基于所述选择的模板生成二维行人画像。

5.根据权利要求1所述的方法，其特征在于，所述行人属性模板库中的模板为三维模板，且所述基于所述选择的模板生成行人画像包括：

基于所述选择的模板生成三维行人模型；以及

基于所述三维行人模型映射得到所需角度的二维行人画像。

6.根据权利要求1所述的方法，其特征在于，所述行人识别神经网络包括多层卷积神经网络，其中，

第一卷积神经网络实施画像特征的提取；

第二卷积神经网络实施图像特征的提取；

第三卷积神经网络实施所述提取的画像特征与所述提取的图像特征的融合。

7.根据权利要求6所述的方法，其特征在于，所述第一卷积神经网络与所述第二卷积神经网络的参数相同或者不同，所述第三卷积神经网络的结构不同于所述第一卷积神经网络和所述第二卷积神经网络。

8.根据权利要求1-7中的任一项所述的方法，其特征在于，所述利用训练好的行人识别神经网络进行行人识别包括：

输入所述行人画像，提取所述行人画像的特征；

输入行人图像数据库中的行人图像，提取所述行人图像的特征；

计算所述行人画像的特征与所述行人图像的特征之间的距离，如果所述距离小于预定阈值，则将所述行人图像确定为所述行人识别的结果，反之则输入所述行人图像数据库中的下一张行人图像回到所述提取所述行人图像的特征的步骤。

9.根据权利要求8所述的方法，其特征在于，所述利用训练好的行人识别神经网络进行行人识别还包括：

在对所述行人画像和所述行人图像提取特征后，分别再次基于所提取的特征提取所述行人画像和所述行人图像各自的深层特征；并且

所述距离的计算是计算所述行人画像的深层特征与所述行人图像的深层特征之间的距离。