[发明专利]基于生成对抗学习的行人属性识别方法

权利要求书

1.基于生成对抗学习的行人属性识别方法，其特征在于，该方法包含以下步骤：

S1：利用深度学习网络构架分别建立编码器、生成网络、判别网络和属性识别网络；

S2：对真实数据库图像进行预处理；

S3：提取真实图像对特征对生成网络进行训练，并采用判别网络对生成网络生成的图像进行真伪判定，直到它们交替训练完成；

S4：将真实数据库图像和生成网络生成的图像组成新的数据库图像对作为输入，训练属性识别网络；

S5：对整体构架进行训练，利用训练好的属性识别网络对图像中行人属性进行提取；

步骤S3所述的提取真实图像对特征具体为：将真实数据库中不同的图像两两为一对组成图像对(x_i，x_j)，分别通过编码器提取特征(S_i，S_j，A_i，A_j)后作为输入，其中，S_i＝E_s(x_i)为图像x_i经E_s提取的结构特征，A_i＝E_a(x_i)为图像x_i经E_a提取的属性特征，S_j、A_j同理；

步骤S3所述的生成网络针对真实图像对生成的图像分别为{x_iⁱ、x_jⁱ、x_i^j、x_j^j}四种，对生成网络训练完成后删除图像{x_iⁱ、x_j^j}，将图像{x_jⁱ、x_i^j}作为最终的生成图像；所述的对生成网络进行训练需要满足以下三个损失函数：

(1)生成图像对比真实图像损失函数：L(G，img)＝E[||x_i-x_iⁱ||₁]+E[||x_j-x_j^j||₁]；

(2)生成图像结构特征对比真实图像损失函数：L(G，S)＝E[||S_i-E_s(x⁽ⁱ⁾)||₁]+E[||S_j-E_s(x^(j))||₁]；

(3)生成图像属性特征对比真实图像损失函数：L(G，A)＝E[||A_i-E_a(x_(i))||₁]+E[||A_j-E_a(x_(j))||₁]；

其中，x_jⁱ＝G(S_i，A_j)为生成网络针对真实图像x_i的结构特征和真实图像x_j的属性特征生成的新图像，x_iⁱ、x_i^j、x_j^j同理；x⁽ⁱ⁾为具有真实图像x_i的结构特征的生成图像x_iⁱ、x_jⁱ的集合，x^(j)同理；x_(i)为具有真实图像x_i的属性特征的生成图像x_iⁱ、x_i^j的集合，x_(j)同理；E[·]为期望；

步骤S3所述的判别网络训练的损失函数为：L(D)＝E[log(D(x_i))+log(D(x_j))+log(1-D(x_jⁱ))+log(1-D(x_i^j))]，其中，D(·)为将图像经过判别网络D处理的判定结果；

步骤S4所述的训练属性识别网络的损失函数为：L(C)＝α·L(At)+β·L(Ag)；其中：L(At)＝E[-log(p(y_i|x_i))]+E[-log(p(y_j|x_j))]为真实图像的分类损失函数；p(y_i|x_i)为属性识别网络将真实图像x_i的属性特征分类为人工标引属性类别y_i的概率，p(y_j|x_j)同理；L(Ag)＝E[-log(p(y_i^j|x_i^j))]+E[-log(p(y_jⁱ|x_jⁱ))]为生成图像的分类损失函数；p(y_i^j|x_i^j)为属性识别网络将生成图像x_i^j的属性特征分类为监督模型标引属性类别y_i^j的概率，p(y_jⁱ|x_jⁱ)同理；α、β为超参数，用于控制真实图片和生成图片的损失值贡献度。