[发明专利]一种基于多任务深度学习的行人属性识别方法

说明书

本发明提供一种基于多任务深度学习的行人属性识别方法，利用行人检测算法在监控视频检测出多姿态的行人样本图；对所检测出的行人样本图进行重命名，并进行行人属性手工标注，划分训练集样本和测试集样本；对训练集样本进行训练，得到多任务行人属性识别模型，针对任务的需求设计多任务行人属性识别网络；利用多任务行人属性识别模型对测试集样本每个图片输出其属于所有属性中所有类别的置信度。设计了一个多任务的深度网络，在一个网络中学习所有的行人属性，该方法不仅解决了资源的占用问题，同时由于在同一个网络中进行特征共享，大大提升了模型的识别精度和速度。

技术领域

本发明属于计算机视觉与模式识别领域，更具体地涉及一种基于多任务深度学习的行人属性识别方法。

背景技术

近年来，监控摄像头在城市中得到大量普及，对人们生活起到了保驾护航的作用。如今全球每天监控录像产生数据量就达到上千PB，随着高清4K技术的推广和普及，该数据量还将会成倍增长，视频监控也将步入更高清的大数据井喷时代。如何从海量的数据中进行有用的信息检索？是现代安防重点解决的问题之一。

在以往数据规模较小，通常人为从监控视频中找到符合特征的行人。如今随着监控数据的海量增长，人力资源成本的提高，仅依靠人力筛选已变得不切实际；另一方面，刑事案件往往对检索具有时效性要求。所以如何准确对视频中行人进行自动化描述和识别，对实现行人的快速检索具有十分重要的意义。

行人属性的识别是实现视频中行人检索的前提，目前学术界就行人属性识别也做了相关研究，大致可以分为基于传统特征算法的行人属性识别、基于深度学习的行人属性识别两种，具体方案如下：

1、基于传统特征算法的行人属性识别，这种方法需要进行特征模板的选取设计，如上衣颜色，利用上衣区域设计颜色特征匹配模板，并进行颜色分类，再在相同颜色中来进行特征匹配。该方法容易受到光照和环境的影响。虽然在资源占用方面具有一定优势，但是其受到环境因素的影响比较大。

2、基于单一任务深度学习的行人属性识别方法，该方法也需要进行特征选取，如性别、年龄、发型等，就其中一种特征训练一个深度网络模型，再利用网络模型的深度特征向量之间的余弦距离进行特征匹配。由于行人间存在较多相似性，而性别、年龄、发型都无法对是否是同一个人进行唯一认证，所以通常需要多组特征组合，而多个特征模型则会消耗更多的时间和硬件显存资源，从而大大增加了产品的成本。精度上有一定的优势，但是在多组属性加载模型对速度和显存都会带来很大负担，不利于产品化中使用。

发明内容

针对现有技术的缺点，如精度差、速度慢和显存资源占用大等弊端，本发明的目的在于提出一种基于多任务深度学习的行人属性识别方法，本发明欲解决的技术问题是：一方面利用深度学习来学习更加鲁棒的特征；另一方面，考虑到行人属性间的特征存在着相关性，设计了一个多任务的深度网络，在一个网络中学习所有的行人属性，该方法不仅解决了资源的占用问题，同时由于在同一个网络中进行特征共享，大大提升了模型的识别精度和速度。为解决上述技术问题：

本发明提供了一种基于多任务深度学习的行人属性识别方法，其特征在于：包括如下步骤：

S1：获取多个点位、场景的监控视频，利用行人检测算法在监控视频检测出多姿态的行人样本图；

S2：对所检测出的所述行人样本图进行重命名，并进行行人属性手工标注，划分训练集样本和测试集样本；

S3：针对任务的需求设计多任务行人属性识别网络；

S4:将所述步骤S2收集的所述训练集样本放入所述步骤S3所设计的所述多任务行人属性识别网络进行训练，得到多任务行人属性识别模型；

S5:对于所述测试集样本，利用所述步骤S4得到的所述多任务行人属性识别模型对其中每个图片输出其属于所有属性中所有类别的置信度。