[发明专利]行人属性信息提取方法及装置

说明书

本发明提供了行人属性信息提取方法和装置。该方法利用卷积神经网络执行。卷积神经网络包括初步特征提取模型、行人分割特征提取模型、行人属性特征提取模型和全连接层。该方法包括：初步特征提取步骤，将行人图像输入到初步特征提取模型中，获得行人图像的初步特征；分割特征提取步骤，将初步特征输入到行人分割特征提取模型中，提取行人分割特征；属性特征提取步骤，将初步特征输入到行人属性特征提取模型中，提取行人属性特征；特征融合步骤，将行人分割特征与行人属性特征进行融合，获得融合特征；属性信息预测步骤，将融合特征输入到全连接层中，获得预测的行人属性信息。通过行人分割特征和行人属性特征的结合，提升了行人属性信息的准确率。

技术领域

本发明一般地涉及人工智能技术领域，更具体地涉及行人属性信息提取方法及装置、电子设备和计算机可读存储介质。

背景技术

在视频结构化的诸多应用中，行人的分析至关重要，特别是对于人的身份识别在安防、视频检索等众多领域起着核心作用。

行人属性是视频结构化中的重要一部分，行人属性的准确率在现实应用场景中对于提升安防工作效率等方面有着至关重要的作用。

发明内容

为了解决现有技术中存在的上述问题，本发明实施例提供了行人属性信息提取方法以及装置、电子设备和计算机可读存储介质。

第一方面，本发明实施例提供一种行人属性信息提取方法，其中，该方法利用卷积神经网络执行，其中，卷积神经网络包括初步特征提取模型、行人分割特征提取模型、行人属性特征提取模型和全连接层，该方法包括：初步特征提取步骤，将行人图像输入到初步特征提取模型中，获得行人图像的初步特征；分割特征提取步骤，将初步特征输入到行人分割特征提取模型中，提取行人分割特征；属性特征提取步骤，将初步特征输入到行人属性特征提取模型中，提取行人属性特征；特征融合步骤，将行人分割特征与行人属性特征进行融合，获得融合特征；属性信息预测步骤，将融合特征输入到全连接层中，获得预测的行人属性信息。

在一例中，行人分割特征提取模型包括多层卷积以及多层反卷积神经网络。

在一例中，特征融合步骤包括：将行人分割特征与行人属性特征执行按位相加和/或按位相乘运算，获得融合特征。

在一例中，特征融合步骤包括：根据行人分割特征获得行人分割位置信息；利用行人分割位置信息掩码行人属性特征中的部分行人属性特征，得到感兴趣区域的行人属性特征，从而获得融合特征。

在一例中，行人分割特征包括行人分割语义信息，行人属性特征包括行人属性语义信息。并且，特征融合步骤包括：根据行人分割语义信息和行人属性语义信息之间的语义关联性，获得融合特征。

在一例中，卷积神经网络是通过以下步骤进行训练而获得的：初步特征提取训练步骤，将样本行人图像输入到初步特征提取模型中，获得样本行人图像的样本初步特征；分割特征提取训练步骤，将样本初步特征输入到行人分割特征提取模型中，提取样本行人分割特征；属性特征提取训练步骤，将样本初步特征输入到行人属性特征提取模型中，提取样本行人属性特征；特征融合训练步骤，将样本行人分割特征与样本行人属性特征进行融合，获得样本融合特征；属性信息预测训练步骤，将样本融合特征输入到全连接层中，获得预测的样本行人属性信息；损失函数计算步骤，根据样本行人分割特征、样本行人属性特征和样本行人属性信息计算卷积神经网络的整体损失函数；损失函数反馈步骤，将整体损失函数反馈到卷积神经网络；参数调整步骤，根据整体损失函数调整卷积神经网络的参数，直到卷积神经网络收敛。

在一例中，损失函数计算步骤包括：根据样本行人分割特征计算分割损失函数；根据样本行人属性特征计算属性特征损失函数；根据样本行人属性信息计算属性信息损失函数；对分割损失函数、属性特征损失函数和属性信息损失函数进行加权求和，获得整体损失函数。