[发明专利]监控场景中行人属性识别方法及系统

权利要求书

1.一种监控场景中行人属性识别方法，其特征在于，所述属性识别方法包括：

获取监控场景下的待测行人图像；

对所述待测行人图像进行预处理，得到处理图像；

通过深度神经网络，根据所述处理图像，得到待测行人图像的卷积图像特征；

根据全连接层及所述卷积图像特征，确定各属性分类器的权重参数；具体包括：

根据全连接层及所述卷积图像特征，建立行人图像属性识别的属性分类器Cls(X_img；θ_cls)；其中，X_img为卷积图像特征，θ_cls为属性分类器的权重参数，为属性分类器权重参数所处的实数空间，C_feat为卷积特征的层数，N_attr为预先存储在数据库中标注属性的数量；

基于所述行人图像属性识别的属性分类器，确定各属性分类器的权重参数其中，i为当前属性分类器的序号，属性分类器的数量与属性类别保持一致，i＝1，2，...，N_attr；

基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值；

基于各所述待测行人图像的网络属性值，确定对应属性的预测值；

根据各所述属性的预测值，确定所述待测行人图像的属性类型。

2.根据权利要求1所述的监控场景中行人属性识别方法，其特征在于，所述对所述待测行人图像进行预处理，得到处理图像，具体包括：

对所述待测行人图像进行缩放处理，得到缩放图像；

对所述缩放图像进行随机水平翻转，得到翻转图像；

对所述翻转图像补零填充，得到预处理图像。

3.根据权利要求1所述的监控场景中行人属性识别方法，其特征在于，根据以下公式，得到待测行人图像的卷积图像特征X_img：

X_img＝f_cnn(I_img；θ_cnn)；

其中，为行人特征所处的实数空间，C_feat为卷积特征的层数，f_cnn为深度神经网络，I_img为处理图像，I_img∈R^H×W×C，H为卷积特征图的高度，W为卷积特征图的宽度，C为深度神经网络输入的处理图像层数，θ_cnn为深度神经网络的可学习参数。

4.根据权利要求1所述的监控场景中行人属性识别方法，其特征在于，所述基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值，具体包括：

分别对所述卷积图像特征及各权重参数进行归一化处理，得到对应的归一化特征及各归一化权重参数；

根据所述归一化特征及各归一化权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值。

5.根据权利要求4所述的监控场景中行人属性识别方法，其特征在于，根据以下公式，确定在不同属性分类器下的所述待测行人图像的网络属性值：

其中，N_attr为预先存储在数据库中标注属性的数量，i为当前属性分类器的序号，为第l个属性分类器下的所述待测行人图像的网络属性值，α为缩放因子，为归一化特征，为i个属性分类器的归一化权重参数。

6.根据权利要求1所述的监控场景中行人属性识别方法，其特征在于，根据以下公式，确定对应属性的预测值：

其中，N_attr为预先存储在数据库中标注属性的数量，i为当前属性分类器的序号，为所述待测行人图像的第i个属性的预测值，为第l个属性分类器下的所述待测行人图像的网络属性值，BN(.)为批归一化层处理函数，Sigmoid(.)为神经网络激活函数。