[发明专利]结合行人局部特征和服饰属性分类的行人搜索方法、系统及存储介质

说明书

本发明涉及行人结构化属性分析技术，为结合行人局部特征和服饰属性分类的行人搜索方法、系统及存储介质，优化了监控场景下的有效行人定位和服饰属性多标签分类识别的算法流程，提高了行人服饰风格、服饰纹理多标签识别率，提升了系统的行人特征搜索能力。其方法包括步骤：提取监控场景图像中行人的位置信息；根据位置信息裁剪出目标结果图片，对目标结果图片提取有效行人图片的特征；训练行人服饰多标签分类模型，利用训练好的行人服饰多标签分类模型对上半身和下半身的服饰风格、服饰纹理进行多标签分类识别；根据识别结果，结合行人基本属性信息，进行行人结构化分析，得到行人特征后进行行人特征搜索。

技术领域

本发明涉及行人结构化属性分析技术，具体为结合行人局部特征和服饰属性分类的行人搜索方法、系统及存储介质。

背景技术

行人结构化属性分析在智慧城市、雪亮工程等项目建设中具有重要的价值，是海量监控视频进行深度分析应用的基础，是提升业务部门对上层视频进行深度应用的重要能力，为构建城市智慧、雪亮工程等应用提供关键技术支撑。

目前，在行人结构化属性分析过程中，行人目标提取和服饰属性识别基本都采用深度学习的方法实现。较为常用的行人服饰属性识别方法主要有基于深度学习的多标签行人服饰属性识别方法、基于特征图水平均匀划分的行人服饰属性识别方法、基于深度学习和注意力机制的行人服饰属性识别方法、基于神经网络模型精细分类的服饰属性标签识别方法、基于深度学习的服饰属性标签识别方法等。

在基于深度学习的多标签行人服饰属性识别方法中，直接对行人图片的全局特征进行多标签分类，对每个标签单独训练了一个分类器，对每个标签，使用相应的分类器分类。

在基于深度学习和注意力机制的行人服饰属性识别方法中，采用卷积神经网络提取特征，引入“注意力机制”进行更精细化的识别，关注感兴趣区域，尽可能地排除图片内的干扰或不完整的信息。

在基于神经网络模型精细分类的服饰属性标签识别方法中，针对计算机视觉在穿衣搭配等时尚方面的应用，以领为例子，会得到脖颈设计、领子设计、翻领设计、颈线设计、细节设计等，其中每一种设计又包含很多不同的设计类型；以脖颈设计为例，又包含荷叶半高领、常规半高领、堆堆领、高常规领等；这类方法采用Faster RCNN检测目标，将NasNet和inceptionresnetv2训练的网络模型进行融合，采用加权平均的融合方法，输出服饰的属性标签；模型推理耗时较多，不具有实时性。

在基于深度学习的服饰属性标签识别方法中，针对购物网站商品数量剧增，导致用户难以快速挑选出满意的服饰，购物体验不佳的问题，对服饰部件进行细分，数据集采用阿里电商数据的网络服饰图像数据库，包含8种属性维度，包括：颈线设计、领子设计、脖颈设计、翻领设计、袖长、衣长、裙长、裤长，采用JppNet细粒度语义分割方法进行服饰属性分类；模型推理耗时较多，不具有实时性。

总的来说，现有的行人服饰属性识别分类技术中，将行人全身图片经过卷积神经网络中主干网络后的特征图进行水平均匀划分的方法，分块后的特征都不能与真实行人的上半身和下半身的区域形成一种合理的逻辑映射；而通过像素分割的方法生成对应全身图片的掩膜过程存在着设计繁琐、不具有实用意义的缺陷。

发明内容

为解决现有技术所存在的技术问题，本发明提供结合行人局部特征和服饰属性分类的行人搜索方法、系统及存储介质，优化了监控场景下的有效行人定位和服饰属性多标签分类识别的算法流程，能合理地区分行人上衣和下衣的有效和无效的部件特征，提高了行人的上半身和下半身的服饰风格、服饰纹理多标签识别率，提升了行人结构化系统的分析能力和行人特征搜索能力。

本发明方法采用以下技术方案来实现：结合行人局部特征和服饰属性分类的行人搜索方法，包括以下步骤：

S1、提取监控场景图像中行人的位置信息，若提取到的位置信息中有目标结果且置信度大于阈值，则判断完成了行人的检测定位，进入步骤S2；