[发明专利]一种基于深度学习的行人属性识别方法和系统

权利要求书

1.一种基于深度学习的行人属性识别方法，其特征在于，包括：

根据行人样本数据集构建行人属性数据集，按照平衡类别对所述行人属性数据集的数据进行分类；

对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，包括：对于不同平衡类别的数据，通过过采样和欠采样的方法微调，按照不平衡程度，依次对于每一个类别随机复制稀有类的样本1％，舍弃大类样本1％，循环若干次，得到平衡度均衡的样本；再次统计分析各个平衡类别的比例，生成交叉熵误差的权重因子；所述交叉熵误差的权重因子W＝1-α^*，其中α^*＝n/N，n为重新取样后属于该平衡类别的样本数，N为重新取样后的总样本数；

利用行人姿态模型提取颈部臀部关键点，将行人样本数据集中的原始图片分为整体、头部、上半身、下半身四部分，将四部分图片分别输入对应的神经网络模型中；

计算每个神经网络模型的交叉熵误差和三元组误差，并将两种误差求和累加，梯度回传训练网络直至收敛；其中所述交叉熵误差由根据所述权重因子修正的交叉熵计算得到；

使用训练后的神经网络模型识别行人属性。

2.根据权利要求1所述的方法，其特征在于，

所述平衡类别包括：平衡、不平衡、极不平衡三类。

3.根据权利要求1所述的方法，其特征在于，

所述行人样本数据集由监控或者视频中的图像中获得，通过截取图像中包含人的部分，得到各种行人的原始图片，组成行人样本数据集。

4.根据权利要求1所述的方法，其特征在于，

所述行人姿态模型和神经网络模型均采用ResNet18卷积神经网络模型。

5.根据权利要求1所述的方法，其特征在于，

设z＝[z₀，...，z_C-1]表示一个样本的非softmax输出，C表示该样本的标签，则所述交叉熵误差表示为：

6.根据权利要求5所述的方法，其特征在于，

所述三元组误差表示为：

其中，f(x^a)为锚点，为正样本，为负样本。

7.一种基于深度学习的行人属性识别系统，其特征在于，包括：

分类模块，用于根据行人样本数据集构建行人属性数据集，按照平衡类别对所述行人属性数据集的数据进行分类；

调整模块，用于对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，包括：对于不同平衡类别的数据，通过过采样和欠采样的方法微调，按照不平衡程度，依次对于每一个类别随机复制稀有类的样本1％，舍弃大类样本1％，循环若干次，得到平衡度均衡的样本；再次统计分析各个平衡类别的比例，生成交叉熵误差的权重因子；所述交叉熵误差的权重因子W＝1-α^*，其中α^*＝n/N，n为重新取样后属于该平衡类别的样本数，N为重新取样后的总样本数；

裁剪模块，用于利用行人姿态模型提取颈部臀部关键点，将行人样本数据集中的原始图片分为整体、头部、上半身、下半身四部分，将四部分图片分别输入对应的神经网络模型中；

训练模块，用于计算每个神经网络模型的交叉熵误差和三元组误差，并将两种误差求和累加，梯度回传训练网络直至收敛；其中所述交叉熵误差由根据所述权重因子修正的交叉熵计算得到；

识别模块，用于使用训练后的神经网络模型识别行人属性。