[发明专利]一种基于空间化结构关系的行人属性识别方法及系统

说明书

本发明公开一种基于空间化结构关系的行人属性识别方法及系统，包括：对行人目标图像采用构建的行人属性识别模型进行属性识别，得到行人属性识别结果；所述属性识别过程包括：对行人目标图像提取空间特征图；对空间特征图进行窗口划分，对每个窗口进行属性注意力机制特征提取后，得到所有空间属性的特征，并分别筛选出人体上层空间属性、中层空间属性和下层空间属性的空间属性特征；对多层空间属性特征进行特征融合后，得到行人属性识别结果。利用属性空间位置关系，将行人图像分为上中下三层空间结构，对不同空间属性分别提取属性特征，确保属性空间位置的准确性。

技术领域

本发明涉及行人属性识别技术领域，特别是涉及一种基于空间化结构关系的行人属性识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

通过属性识别算法可以同时预测多个人体属性，例如年龄、性别、衣服类型、衣服颜色、头发长短等，同时对人形图像进行语义信息的描述。基于行人属性识别可以进行行人身份的识别、行人行为的识别等。

大部分的属性识别方法都是利用复杂网络提高预测的准确度，该种方法在提高精度的同时，也会相应的增加模型算法的复杂度，从而导致预测得到的属性位置与真实图像中属性位置相差甚远，例如人体的头发属性在空间关系上应该在脚属性的上方，不能将其预测为其他关系，出现属性空间位置的预测错误，各属性的空间关系误判等问题，所以会导致网络模型复杂度高且预测精度较差。

在中国专利CN113033321A中提出一种目标行人属性识别模型的训练方法及行人属性识别方法，通过初始行人属性识别模型中的混合卷积对采集到的行人属性识别数据集进行图像特征提取；混合卷积包括多个卷积块，各卷积块中插入有批标准化层，通过批标准化层对图像特征进行标准化处理；向初始行人属性识别模型引入多尺度门控多头注意力机制，对特征图进行筛选，并输出标准目标特征图；通过全局平均池化层将各通道的标准目标特征图输入预测层进行映射，以得到目标行人属性识别模型。该方法能够提升对小物体的检测能力，且精简网络结构；但是识别精度较差，没有很好的泛化能力，对背景复杂误报率较高。

在中国专利CN110674756A中提出一种人体属性识别模型训练方法和人体属性识别方法，根据多数据集属性标注与目标属性之间的映射关系进行多属性数据集融合；针对多数据集融合后属性标注比例不均衡问题，提出新的属性加权损失函数进行训练；而针对嵌入式端应用，改进原始DeepMar的网络结构，减少模型的参数量，提升运行效率和属性分类准确度。但是该种方法在嵌入式端由于对网络的精简造成泛化能力较差，对未训练过的数据样本基本无识别能力。

在中国专利CN109117781A中提出一种多属性识别模型的建立方法、装置及多属性识别方法，将预先经过多属性标注的样本图像进行学习，得到样本图像中每个图像的特征矩阵，然后将每个图像的特征矩阵再建模进行学习，得到每个图像的语义-空间特征矩阵，将特征矩阵和语义-空间特征矩阵获得各属性的预测值进行加权求和，获得每个图像的各属性的综合预测值。该种方法能够有效利用标注信息获取多属性在空间和语义上的关联，但是该种方法需要二阶段网络进行学习，且模型的复杂度高，不适合边缘计算端设备。

在中国专利CN111414812A中提供一种人体属性识别方法，通过人体检出模型和属性识别模型对训练图像进行检测以得到人体图像坐标向量和人体属性向量，根据训练图像和人体图像坐标向量对初始属性识别神经网络进行训练以得到多个特征矩阵，根据多个特征矩阵和人体属性向量对神经网络进行训练，根据训练图像、人体图像坐标向量和人体属性向量对神经网络进行联合训练，最后由目标属性识别神经网络对待识别图像进行识别。该种方法运用多个神经网络，模型计算量量复杂，同样不适合再边缘计算端应用。

发明内容

为了解决上述问题，本发明提出了一种基于空间化结构关系的行人属性识别方法及系统，利用属性空间位置关系，将行人图像分为上中下三层空间结构，对不同空间属性分别提取属性特征，确保属性空间位置的准确性。