[发明专利]基于属性定位与关联的行人属性识别方法及系统

说明书

本发明属于模式识别领域，具体涉及了一种基于属性定位与关联的行人属性识别方法及系统，旨在解决现有技术无法有效结合属性的局部定位特征和全局关联特征，从而行人属性识别模型的性能尚达不到预期的问题。本发明包括：通过特征提取网络获取输入行人图像的特征图；通过多分枝的属性定位网络对属性解藕，每个属性分枝单独对属性特征在高度、宽度和通道三个维度方面，进行属性定位特征的增强；通过属性关联网络学习不同属性之间的全局关联性特征；最终通过分类器获取行人的属性类别。本发明更好地提取到关于行人属性的局部定位特征，并有效地结合属性的局部定位特征和全局关联特征，行人属性识别的准确性与精度以及效率高。

背景技术

行人属性识别，如性别，衣服类型，长发短发等，是一个具有挑战性的任务，也是目前视频监控领域非常火热的任务之一。传统的行人属性识别方法以手工特征来处理图片的特征。随着深度学习的发展，行人属性识别已经取得了巨大的突破。

目前行人属性识别的方法，主要分为三大类：一是，基于局部的行人属性识别方法，主要是从行人的局部区域提取判别性的特征，可以利用姿态估计出行人的骨骼关键点，再通过关键点来提取人体局部区域，提取的局部区域和整体图像的特征用于属性识别，也可以通过检测人体的部位(头部，上半身和下半身区域)来辅助属性的识别。有研究人员提出了定位引导网络，通过弱监督的方式探索属性的区域，利用多尺度的特征，结合通道注意力机制，空间转换网络提供弱监督的属性定位方法。然而，这些方法要么依赖于先验的，固定的弱监督零件，要么依赖于复杂的定位机制。二是，基于全局的行人属性识别方法，包括：(1)利用一个整体的CNN模型来共同学习行人不同的属性；(2)通过改进的交叉熵损失函数，将属性识别看成一个多标签分类问题。然而，这些方法都是整体性看待属性识别，没有解藕不同的属性，只有整体不考虑局部。三是，基于序列的行人属性识别方法，主要是考虑行人属性之间的关联性。有研究将属性进行分组，如头部区域组，上半身区域组以及下半身区域组，通过循环神经网络提取每一个区域的特征。有些研究认为属性识别存在的问题是图像质量差，外观变化等原因，因此，通过探索属性和视觉上下文之间的相互依赖和相关性，作为辅助属性识别的额外信息源。然而，这些方法都是采用序列估计过程，存在的缺点也是明显的，那就是考虑的关联性缺失了属性的局部定位能力。

此外，上述行人属性识别的三类方法中，使用到的属性特征定位的方法均是一种硬注意力机制或者是弱监督的软注意力机制，当关注属性定位特征的时候无法关联全局特征，对属性特征进行定位时更无法解耦不同属性。同时，上述方法对于提取属性的全局关联特征粒度十分粗糙，只是简单将学到的局部特征进行融合或者使用注意力机制对特征进行增强，这些特征很难去表达属性的全局关联性特征。

由于更强的特征提取能力，目前基于卷积神经网络的方法在行人属性识别领域已经占据主导性的地位。现今存在的方法本质上是从特征提取的角度去解决行人属性问题，包含了提取行人的全局特征以及属性的局部特征。属性能够被定位到行人图片中的某一个区域，来提取局部的判别性特征，如行人的属性中的头发长短，自然而然该属性所在的区域是头部。一种简单而低效的方式，如应用人体分块的方法，结合姿态估计将人体切分成头部，上半身，下半身三个区域。利用人体解析的方法对人体的属性特征进行辅助定位。与此同时，探索行人属性的全局关联性特征自然对属性识别有非常大的帮助。如性别属性往往和头发长短属性紧密相关。

总的来说，如何有效结合属性的局部定位特征和全局关联特征来提升行人属性识别模型的性能以及提高识别结果的准确性、精度与效率，还是本领域有待解决的问题。

发明内容

为了解决现有技术中的上述问题，即现有技术无法有效结合属性的局部定位特征和全局关联特征，从而行人属性识别模型的性能尚达不到预期的问题，本发明提供了一种基于属性定位与关联的行人属性识别方法，该行人属性识别方法包括：

步骤S10，获取待属性识别的行人图像，并通过特征提取网络进行所述行人图像的特征提取，获得待属性识别的行人特征图；

步骤S20，通过设定的一组不同属性分类的多分枝的属性定位网络，分别获取所述待属性识别的行人特征图对应的一组不同属性的特征向量；