[发明专利]一种基于深度学习的行人属性精细化识别方法

说明书

本发明涉及一种基于深度学习的行人属性精细化识别方法，通过改进深度学习模型框架，自动学习到行人属性特征，然后将属性特征输入到分类器中，训练一个个独立的行人属性分类器，这样可以得到行人样本具有属性的后验概率，然后通过计算行人训练样本中的属性与属性类别的比例关系，得到属性类别的后验概率，最后根据贝叶斯公式就可以得到行人样本的属性类别。本发明能够提高识别精度和识别速度。

技术领域

本发明涉及模式识别技术领域，特别是涉及一种基于深度学习的行人属性精细化识别方法。

背景技术

随着近些年来，平安城市的概念的提出。监控视频分布在城市的各个角落，维护着城市安全。如果发生了突发事故，要从海量的监控图像中寻找到有效信息，必然会耗费大量的人力物力。而行人作为主要的监控目标，如果能对行人属性进行有效的识别，会给监控视频检索工作带来很大的便利。行人属性识别在视频监控、智能商业视频、行人重识别、人脸识别识等领域有着广泛的应用前景，受到了越来越多的研究者的关注。行人属性识别的一种传统识别算法为人工神经网络，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型。基于人工神经网络的训练算法为反向传播算法，它使得网络模型经过对大量训练样本进行学习的过程能够获得统计规律，从而对未知事件做出预测。人工神经网络优点在于具有较强的非线性映射能力、自学习和自适应能力、泛化能力和一定的容错能力，但存在以下缺点，在行人识别样本训练时收敛速度慢，且其训练过程为监督过程，而对训练样本的标注既费时又费力，并且视频行人识别涉及到大量数据的计算和分析，外加一些环境因素的干扰，传统行人属性识别算法无法提取到图像的优选特征，导致识别率有限。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的行人属性精细化识别方法，能够提高识别精度和速度。

本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的行人属性精细化识别方法，包括以下步骤：

(1)对行人样本数据集进行属性标注，得到行人属性数据集；

(2)构建基于AlexNet网络微调的卷积神经网络模型，并对该卷积神经网络模型进行训练；

(3)对训练完毕后的卷积神经网络模型输入行人测试图片，提取行人属性特征；

(4)将提取的行人属性特征输入到分类器中，训练人体属性分类器；

(5)通过行人属性数据集计算出属性x_i的样本属于类别y_j的比例，即表示的是拥有属性x_i且属于类别y_j的样本数量，表示的是拥有属性x_i的样本数量，计算出每个属性相应的属性类别的数量关系；

(6)将行人测试样本z_t输入到训练完毕的卷积神经网络模型，并提取特征；然后将提取的特征输入到所述人体属性分类器中，得到行人样本具有属性x_i的后验概率p(x_i|z_t)，通过行人属性与其对应的属性类别之间的数量关系，利用贝叶斯公式：计算出行人样本具有类别y_j的后验概率，计算出来的类别y_j的概率中的最大值相对应的类别就是行人样本的属性类别，其中，N行人属性的数量，。

所述所述步骤1中通过图片标注工具对行人图片标注能代表行人的42个属性；42个属性分为性别属性、头发长度属性、上身衣着类型属性、上身衣着颜色属性、下身衣着类型属性、下身衣着颜色属性、包类型属性和鞋类型属性，其中性别属性包括男和女，头发长度属性包括长发和短发，上身衣着类型属性包括T恤、衬衫、外套和羽绒服，上身衣着颜色属性包括黑、白、红、黄、蓝、绿、紫、棕、灰、橙和多色，下身衣着类型属性为长裤、短裤、长裙和短裙，下身衣着颜色属性包括黑、白、红、黄、蓝、绿、紫、棕、灰、橙和多色，包类型属性包括单肩包、双肩包、手拉箱和钱包，鞋类型包括皮鞋、运动鞋、凉鞋和靴子。