[发明专利]一种骑行属性识别方法及装置、存储介质

权利要求书

1.一种骑行属性识别方法，其特征在于，包括：

获取待识别的骑行图像；

将所述待识别的骑行图像输入一预先训练的深度神经网络模型中进行识别，输出骑行属性的识别结果；

其中，所述预先训练的深度神经网络模型通过以下步骤获得：

构建深度神经网络模型；

获取用于训练的样本骑行图像；

对所述样本骑行图像进行预处理，获得多个不同的预处理后的样本骑行图像；所述预处理包括尺寸调整、和/或根据一预设角度进行旋转、和/或翻转；

将所述多个不同的预处理后的样本骑行图像输入所述深度神经网络模型中；

提取所述多个不同的预处理后的样本骑行图像的图像特征；

根据所述图像特征，计算分类特征向量；

通过注意力机制对所述多个不同的预处理后的样本骑行图像进行处理、或通过注意力机制对所述图像特征进行处理，计算特征矩阵；

根据所述分类特征向量和所述特征矩阵，计算总损失值；

根据所述总损失值对所述深度神经网络模型的参数进行迭代优化，使所述总损失值减小，直至达到预设的停止条件为止，获得所述预先训练的深度神经网络模型。

2.如权利要求1所述的骑行属性识别方法，其特征在于，所述图像特征包括与所述多个不同的预处理后的样本骑行图像一一对应的多个局部特征、与所述多个不同的预处理后的样本骑行图像一一对应的多个全局特征和与所述多个不同的预处理后的样本骑行图像一一对应的多个融合特征；

所述提取所述多个不同的预处理后的样本骑行图像的图像特征，包括：

提取所述多个局部特征和所述多个全局特征；

将所述多个局部特征和所述多个全局特征进行融合处理，获得所述多个融合特征。

3.如权利要求1所述的骑行属性识别方法，其特征在于，所述特征矩阵包括与所述多个不同的预处理后的样本骑行图像一一对应的多个矩阵特征向量；

所述根据所述分类特征向量和所述特征矩阵，计算总损失值，包括：

根据所述分类特征向量计算总分类损失值；

根据所述样本骑行图像和/或所述多个矩阵特征向量，计算总均方差损失值；

根据所述总分类损失值和所述总均方差损失值，计算总损失值。

4.如权利要求3所述的骑行属性识别方法，其特征在于，所述根据所述样本骑行图像和/或所述多个矩阵特征向量，计算总均方差损失值，包括：

获取所述样本骑行图像的实际特征向量；

根据所述实际特征向量和所述多个矩阵特征向量，计算所述总均方差损失值。

5.一种骑行属性识别装置，其特征在于，包括：

图像获取模块，用于获取待识别的骑行图像；

识别模块，用于将所述待识别的骑行图像输入一预先训练的深度神经网络模型中进行识别，输出骑行属性的识别结果；

其中，所述预先训练的深度神经网络模型通过以下步骤获得：

构建深度神经网络模型；

获取用于训练的样本骑行图像；

对所述样本骑行图像进行预处理，获得多个不同的预处理后的样本骑行图像；所述预处理包括尺寸调整、和/或根据一预设角度进行旋转、和/或翻转；

将所述多个不同的预处理后的样本骑行图像输入所述深度神经网络模型中；

提取所述多个不同的预处理后的样本骑行图像的图像特征；

根据所述图像特征，计算分类特征向量；

通过注意力机制对所述多个不同的预处理后的样本骑行图像进行处理、或通过注意力机制对所述图像特征进行处理，计算特征矩阵；

根据所述分类特征向量和所述特征矩阵，计算总损失值；

根据所述总损失值对所述深度神经网络模型的参数进行迭代优化，使所述总损失值减小，直至达到预设的停止条件为止，获得所述预先训练的深度神经网络模型。