[发明专利]一种对象属性识别方法、装置、计算设备及系统

说明书

本发明实施例公开了一种对象属性的识别方法、装置、计算设备及系统，该方法包括：计算设备根据M个姿态关键点在第一图像中提取M个部位的特征，得到M个部位特征图，进而，将所述M个部位特征图输入第一属性识别模型，得到目标对象的第一属性识别结果。其中，第一图像为原始图像或根据原始图像提取得到的原始特征图，该原始图像包括目标对象，目标对象包括M个部位，M个姿态关键点与M个部位一一对应，M个部位与M个部位特征图一一对应。本发明实施例在第一属性识别模型对目标对象进行属性识别之前，将第一图像拆解出与目标对象姿势无关的M个部位特征图，进而克服目标对象的姿势对识别结果的影响，使得对对象的属性识别更加准确，且鲁棒性好。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种对象属性识别方法、装置、计算设备及系统。

背景技术

随着图像识别技术的快速发展，很多应用中采用了各种识别技术，例如，人脸识别技术和对象的属性识别技术。特别是在基于行人的检索领域，行人的属性识别至关重要。

早期的行人属性识别一般都是靠人工设计的特征，再基于支持向量机(SVM)进行分类。但是手工设计的特征很难处理实际监控场景下的各种复杂条件以及行人自身的各种变化，如姿态、视角等。最近的基于深度卷积神经网络的属性识别模型通常是基于整体图像，即，将行人图像输入到深度卷积神经网络中提取行人属性共享的特征，再对每一个属性单独学习属性分类器。然而，行人的图像通常具有各式各样的姿势，比如图像中行人有的是站着的、有的是坐着的、有的是骑自行车等，刚性的深度卷积神经网络很难克服行人姿态的变化，对行人属性的识别不准确、鲁棒性差。

发明内容

本发明实施例所要解决的技术问题在于，提供一种对象属性的识别方法、装置、计算设备及系统，基于M个姿态关键点确定的M个部位特征图进行属性识别，能克服目标对象的姿势对识别结果的影响，使得对对象的属性识别更加准确。

第一方面，本发明实施例提供了一种对象属性的识别方法，该方法包括：计算设备根据M个姿态关键点在第一图像中提取M个部位的特征，得到M个部位特征图，进而，将所述M个部位特征图输入第一属性识别模型，得到目标对象的第一属性识别结果。其中，第一图像为原始图像或根据原始图像提取得到的原始特征图，该原始图像包括目标对象，目标对象包括M个部位，M个姿态关键点与M个部位一一对应，M个部位与M个部位特征图一一对应；姿态关键点用于确定姿态关键点对应部件的位置，M为正整数。

通过执行上述方法，在第一属性识别模型对目标对象进行属性识别之前，根据M个姿态关键点在第一图像中提取M个部位分别对应的部位特征图，即将第一图像拆解出与目标对象的姿势无关的M个部位特征图，将与目标对象的姿势无关的M个部位特征图输入到第一属性识别模型进行模型训练和识别，进而克服目标对象的姿势对识别结果的影响，使得对对象属性的识别更加准确，且鲁棒性好。

在一种可能的实现方式中，计算设备根据M个姿态关键点在第一图像中提取M个部位的特征，得到M个部位特征图的一种实现方式可以是：

计算设备将第一图像输入到部位定位模型，得到M个姿态关键点分别对应部位的定位参数，第一姿态关键点对应部位的定位参数用于在第一图像中确定第一姿态关键点对应的部位所在的区域；根据所述M个姿态关键点分别对应部位的定位参数，通过插值采样从所述第一图像中提取出所述M个部位分别对应的M个部位特征图。其中，第一姿态关键点为M个姿态关键点中任意一个姿态关键点。

通过执行上述方法，部件定位模型根据姿态关键点来确定部位，实现无论目标对象处于何种姿势，都能准确的定位到目标对象的各个部位，进而提取到各个部位对应的部位特征图，使得第一属性识别模型可以基于部位特征图实现对目标对象的属性识别。

在又一种可能的实现方式中，姿态关键点k对应部位k的定位参数为第一位置坐标与第二位置坐标之间的仿射变换参数，所述第一位置坐标为所述部位k在所述第一图像中的位置坐标，所述第二位置坐标为所述部位k对应的部位特征图中的位置坐标，所述部位k对应的部位特征图的通过下述公式计算：