[发明专利]一种基于深度学习的乘客属性的获取方法、装置及模型训练方法

说明书

本发明公开了一种基于深度学习的乘客属性的获取方法、装置及模型训练方法，所述方法包括：步骤1，获取乘客上车的图像流，并标记出图像中包含乘客及附属物的目标框区域，得到乘客上车的完整目标框轨迹；步骤2，使用基于深度学习卷积神经网络训练的属性分类模型，对每个乘客的属性进行分类分析，以每个乘客目标框轨迹中的单个目标框作为模型的检测输入，输出一组对该乘客的属性分类预测的概率结果；根据乘客各个属性不同的特点，设定不同的网络结构、检测方式，同时结合乘客目标框轨迹的获取，实现乘客属性的有效检测，并提高了属性检测的准确率。

技术领域

本发明涉及智能公共交通领域和图像识别领域，具体涉及一种基于深度学习的乘客属性的获取方法、装置及模型训练方法。

背景技术

随着科学技术的发展，人们出行的交通工具选择越来越多，目前人们常用的交通工具有公交，地铁，火车，飞机等，而对于火车和飞机这类交通工具由于购票的实名制推广，对乘客身份可以很容易得到确认；但是在实现本发明过程中，发明人发现现有技术中至少存在如下问题：公交、地铁等公共交通并未进行乘客实名制的管理，很容易成为嫌疑犯或可疑人员进行转移的途径，如何获取更多的准确的乘客唯一属性，是目前存在的一大难题；获取更多的乘客唯一属性将能够对这类人员进行有效的识别与追踪，同时也能够对寻找走失人员提供一定的技术帮助。

发明内容

为了克服现有技术的不足，本公开实施例提供了一种基于深度学习的乘客属性的获取方法、装置及模型训练方法，通过对网络模型自定义修改，实现乘客属性的有效检测，并提高了属性检测的准确率。所述技术方案如下：

第一方面，提供了一种基于深度学习的乘客属性的获取方法，所述方法包括：

步骤1，获取乘客上车的图像流，并标记出图像中包含乘客及附属物的目标框区域，进而得到乘客上车的完整目标框轨迹；

步骤2，使用基于深度学习卷积神经网络训练的属性分类模型，对每个乘客的属性进行分类分析，以每个乘客目标框轨迹中的单个目标框作为模型的检测输入，输出一组对该乘客的属性分类预测的概率结果。所述深度学习卷积神经网络采用一个多任务的深度网络，多任务的深度网络包含基础网络部分和多任务分类网络部分；所述基础网络(BasicNetwork)不做限定；使用多任务的深度网络，可减少资源占用，能够一次直接得到多组属性的分类结果，且结果更加具有鲁棒性。

对所述多任务深度网络结构进行修改，具体修改如下：

步骤22，在基础网络之后，复制一份基础网络输出的特征映射图，进行以下操作；

（1）截取该特征映射图的上半部分，先对上半部分特征映射图进行均值池化操作，得到global_avg1特征向量，再分别连续做两个卷积的操作，然后做Softmax操作，对发型，戴帽子，戴眼镜，戴口罩进行预测；针对明显在头部位置的属性，截取该特征映射图的上半部分的目的是为了去除不必要的干扰；

（2）对完整特征映射图进行均值池化操作得到global_avg2特征向量，连续做两个卷积的操作，然后做Softmax操作，对上衣类型，下衣类型，上衣颜色，下衣颜色，背包，手拎物，其他类别进行预测；

（3）结合global_avg1特征向量和global_avg2特征向量，连续做两个卷积的操作，然后做Softmax操作，对年龄段和性别进行预测；

进而得到乘客各类属性结果。

在本公开的实施例中，由于发型，戴帽子，带口罩，带眼镜只在头部区域，所以对这些属性的分类时只使用特征映射图的上半部分；上衣类型，下衣类型，上衣颜色，下衣颜色，背包，手拎物，其他类别会在完整特征映射图上显示；而性别，年龄段在人脸部分和全身上都得以体现，所以这两个属性的分类所使用的特征为特征映射图的上半部分的特征与全身特征的结合；根据乘客各个属性不同的特点，设定不同的网络结构、检测方式，同时结合乘客目标框轨迹的获取，实现乘客属性的有效检测，并提高了属性检测的准确率。