[发明专利]基于生成对抗学习的行人属性识别方法

说明书

本发明为基于生成对抗学习的行人属性识别方法，属于深度学习、图像处理领域，包含以下步骤：S1：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；S4：训练属性识别网络；S5：对整体构架进行训练调整，利用训练好的属性识别网络对图像中行人属性进行提取。本发明通过对抗学习方法，在不同行人间交互属性特征来生成伪样本图像，扩充了行人属性训练的样本空间，平衡了数据分布，增强了行人属性识别的鲁棒性，更进一步，图像的生成网络和属性识别网络是端到端网络，有利于更好的训练属性识别网络。

技术领域

本发明涉及行人属性识别方法，属于深度学习、图像处理领域，尤其适用于基于生成对抗学习的行人属性识别。

背景技术

随着平安城市和天网工程的推进，城市中视频摄像头数量以几何级数不断增长，然而，视频作为典型的非结构化数据，难以直接加以利用。例如，在安防领域我们经常需要在视频监控中寻找目标人物，或者在商场、社区等监控视频中分析访问人群的性别、年龄结构、穿着属性等重要信息时，往往需要通过人工辨识的手段进行处理。但人工处理海量视频时较为耗时费力，特别是长时间查看其效率和准确率均会下降。因此，在信息化的今天，我们可以借助人工智能、图像处理、计算机视觉等先进手段，通过提取视频中的结构化信息，如行人属性——性别、年龄、衣着、行人附属物(如背包、手机)等属性特征，从而生成对于视频的结构化描述，对于帮助我们了解视频内容、快速查找定位相关人群、分析城市中的人口结构等工作都有重要的辅助意义。

目前，行人属性识别的数据集有一个共同的缺陷——数据分布非常不平衡，部分属性在数据集中只有少量样本。当前的方法基本都是尝试从网络结构或者损失函数中解决不平衡问题，但是这些方法往往容易陷入过拟合风险，从而导致泛化性能下降；同时，由于采集的样本、对样本进行标记等工作同样代价昂贵。

发明内容

有鉴于此，本发明提供基于生成对抗学习的行人属性识别方法，利用对抗学习神经网络来生成更多的伪训练样本，能够有效扩展样本空间，从根源上解决数据不平衡以及数据标记等问题。

为达到上述目的，本发明提供如下技术方案：

基于生成对抗学习的行人属性识别方法，包括如下步骤：

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：结合图2，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：结合图3，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：结合图4，对整体构架进行训练调整，利用训练好的属性识别网络对图像中行人属性进行提取。

进一步，所述的编码器分为结构编码器E_s和属性编码器E_a，分别对图像的结构特征S和属性特征A进行提取。

进一步，所述的编码器、生成网络G、判别网络D分别为卷积神经网络(CNN)，可根据各自的具体作用和使用环境决定网络深度、卷积核的大小；所述的属性识别网络C为一个属性编码器E_a串联一个Sigmoid激活函数构成。

整个网络构架为图像连接两个并联的编码器作为输入；其次编码器串联生成网络G，用以生成伪图像；生成网络G串联判别网络D形成对抗学习网络，以便提高生成图像的准确性；最后，选择一个属性编码器为基础构造属性识别网络C。训练时，采用策略为先局部的对每一个CNN网络训练，再整体训练。