[发明专利]基于弱监督学习的行人属性识别方法、系统及装置

说明书

本发明提供了一种基于弱监督学习的行人属性识别方法、系统及装置，包括：采用深度卷积神经网络提取目标行人不同层次的视觉特征；通过弱监督学习的方法在隐含属性空间学习隐含属性，同时获得隐含特征对应的空间约束，得到对应的隐含属性空间位置图；根据目标行人不同层次的视觉特征和对应的隐含属性空间位置图，对目标行人的局部特征提取，得到目标行人不同层次的局部特征；通过自注意力的方法对行人属性间关系进行建模，利用全局平均池化层和全连接层作为分类器，得到不同层次下对目标行人属性的预测值；对每个属性投票得到最终识别结果。本发明将属性空间约束和属性间约束联合起来预测目标行人属性，提升了行人属性识别的性能。

技术领域

本发明涉及计算机视觉技术领域，具体地，涉及一种基于弱监督学习的行人属性识别方法、系统及装置。

背景技术

基于弱监督学习的行人属性识别研究目标是从监控数据中提取出行人的多尺度，多层次的特征抽象，对于监控场景理解和目标行人检索等任务都发挥着重要辅助作用，是构建智能监控系统的关键一环。

在真实监控场景下待识别属性具有多尺度，多层次的特点，多尺度即包括像素占比小的局部特征和占比较大的全身特征，多层次即包括抽象程度较低的外貌特征和抽象程度较高的动作特征等。同时由于光照，拍摄角度等的影响，在实际应用中行人属性识别技术仍有改进空间。

经检索，中国发明申请号为201910943815.6的发明专利申请，公开了一种行人属性识别方法和装置，该方法包括：根据卷积神经网络对样本图像进行特征提取，得到多个初始特征层，样本图像为预设行人属性样本集中的图像，预设行人属性样本集中包括的图像具有多个行人属性；对多个初始特征层进行自上而下的逐层特征融合，得到多个复合特征层；根据空间变换网络和多个复合特征层，确定每个复合特征层上对每个行人属性进行定位识别的属性定位识别模块，从而可以提高行人属性识别的精度和效率。

但是上述专利存在以下不足：1.对所有特定行人属性均进行了空间变换参数的学习，运算量较大，同时在较高层级属性(如年龄，性别等行人属性)上难以学习到相对应的属性区域，因此提升效果不佳。2.没有对行人属性间内在的关系进行建模，例如可以从长发，帽子等属性推断得到更高层级的女性属性，通过对属性间内在关系进行建模约束可以进一步提升属性识别效果。

发明内容

本发明的目的在于克服现有技术的不足之处，提出了一种基于弱监督学习的行人属性识别方法、系统及装置，同时对行人属性识别问题施加空间约束和属性间关系约束，提升了属性识别的准确率。

根据本发明的第一方面，提供一种基于弱监督学习的行人属性识别方法，包括：

获取目标行人图像，采用深度卷积神经网络提取目标行人不同层次的视觉特征；

将目标行人不同层次的视觉特征通过弱监督学习的方法在隐含属性空间学习隐含属性，同时获得隐含特征对应的空间约束，得到对应的隐含属性空间位置图；

根据目标行人不同层次的视觉特征和对应的隐含属性空间位置图，对目标行人的局部特征提取，得到目标行人不同层次的局部特征；

根据目标行人不同层次的局部特征，通过自注意力的方法对行人属性间关系进行建模，利用全连接层作为分类器，得到不同层次下对目标行人属性的预测值；

根据不同层次下对目标行人属性的预测值，通过对每个属性投票得到最大值的方法得到最终目标行人属性识别结果。

可选地，所述采用深度卷积神经网络提取目标行人不同层次的视觉特征，包括：将目标行人图像通过Inception-V3网络，得到提取目标行人不同层次的视觉特征zⁱ。

可选地，所述将目标行人不同层次的视觉特征通过弱监督学习的方法在隐含属性空间学习隐含属性，同时获得隐含特征对应的空间约束，包括：