[发明专利]行人属性识别方法、装置、电子设备及存储介质

说明书

本申请公开一种行人属性识别方法、装置、电子设备及存储介质，方法包括：获取待识别图像；将待识别图像输入预先训练的属性识别模型进行属性识别，得到对待识别图像的属性识别结果；预先训练的属性识别模型的训练步骤包括：建立原始属性识别模型，并获取样本数据；识别样本数据中各个人体显著部位；按照人体显著部位将样本图像分割，得到预设数量的显著部位图像；利用每个样本数据所有的显著部位图像训练原始属性识别模型，得到属性识别模型；通过在预先训练时，使用显著部位图像来训练原始属性识别模型，使得训练出的属性识别模型，能够仅对人体的各个显著部位进行识别，不会受到背景杂物、物体遮挡等影响，从而降低行混淆及误判的几率。

技术领域

本申请涉及机器视觉技术领域，具体涉及一种行人属性识别方法、装置、电子设备及存储介质。

背景技术

机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。而识别行人属性是机器视觉的一项重要任务，在众多现实环境中起着重要作用。

现有的识别行人属性的方法，普遍采用通用场景的多标签分类方法，首先给包含人体的图像进行多类别属性标签标注，之后整图送入深度神经卷积网络提取特征，接着利用多标签损失对分类模型进行多标签分类学习，得到能够识别人体属性的分类模型。

但是，正如前述提到的，现有技术的识别行人属性的方法，是基于整张图片对人体进行属性识别，过分注重对进行特征提取的深度神经卷积网络进行优化，这会导致整图识别结果易受背景杂物、物体遮挡等影响，从而增加行人属性识别时，混淆及误判的几率。

发明内容

基于此，为了解决或改善现有技术的问题，本申请提供一种行人属性识别方法、装置、电子设备及存储介质，可以降低行人属性识别时，混淆及误判的几率。

本申请第一方面提供一种行人属性识别方法，包括：获取待识别图像；将所述待识别图像输入预先训练的属性识别模型进行属性识别，得到对所述待识别图像的属性识别结果；所述预先训练的属性识别模型的训练步骤包括：建立原始属性识别模型，并获取样本数据；识别所述样本数据中各个人体显著部位；按照所述人体显著部位将所述样本图像分割，得到预设数量的显著部位图像；利用每个所述样本数据所有的所述显著部位图像训练所述原始属性识别模型，得到属性识别模型；将所述待识别图像输入预先训练的属性识别模型进行属性识别，得到对所述待识别图像的属性识别结果的步骤包括：识别待识别图像中各个人体显著部位；按照所述人体显著部位将所述待识别图像分割，得到预设数量的显著部位图像；利用所述属性识别模型识别各个显著部位图像的属性，得到属性识别模型生成的属性识别结果。

其中，所述识别所述样本数据中各个人体显著部位的步骤包括：将所述样本数据输入预先训练的金字塔网络；利用所述金字塔网络对所述样本数据提取的人体特征；获取所述金字塔网络利用所述人体特征输出的特征模板，所述特征模板内的模板具有与所述金字塔网络的通道维度相同数量的特征数量；获取所述金字塔网络利用平方差损失函数和激活函数，对所述人体特征回归出的与所述通道的维度相同数量的系数，所述系数与所述特征模板内模板的各个所述特征数量一一对应；将所述特征模板内各个模板的特征与一一对应的所述系数的乘积进行叠加，得到人体的各个显著部位图像。

其中，将所述特征模板与各个所述系数的乘积进行叠加还得到人体的整体显著图像；在得到所述显著部位图像及所述整体显著图像后，所述识别所述样本数据中各个人体显著部位的步骤还包括：将所述整体显著图像及各个所述显著部位图像进行相互监督学习直至所述相互监督学习的次数达到预定次数。

其中，所述将所述整体显著图像及各个所述显著部位图像进行相互监督学习，包括：将所述整体显著图像分割成与所述各个显著部位图像一一对应的分割验证图，并利用所述分割验证图验证及修正各个所述显著部位图像，以及，将各个所述显著部位图像融合成与所述整体显著图像对应的融合验证图，并利用所述融合验证图验证及修正所述整体显著图像，以使所述整体显著图像及各个所述显著部位图像进行相互监督学习。