[发明专利]属性识别、监控数据分析方法、设备及存储介质

说明书

本申请实施例提供一种属性识别、监控数据分析方法、设备及存储介质。在属性识别方法中，基于神经网络模型中的多级特征提取网络，可提取出多种不同层级的、包含不同粒度的信息的特征。其中，一层特征提取网络对应一个属性识别分支，进而，每个属性识别分支可分别基于对应层级的特征，识别对应粒度的属性，多个属性识别分支可基于多层级特征，识别多种粒度的属性。基于这种实施方式中，满足了不同粒度的属性的识别过程对不同层级的特征的需求，可在有效地保证细粒度的属性的识别精度的同时，提升粗粒度的属性的识别精度。

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种属性识别、监控数据分析方法、设备及存储介质。

背景技术

行人属性识别(Pedestrian Attribute Recognition,PAR)，是视频监控领域的一个重要技术，其目的是从输入图像中挖掘行人的属性信息，例如头发信息、眼镜信息、背包信息、服装颜色信息等。

现有的一种基于人工神经网络实现行人属性识别的方法中，在人工神经网络结构中增加了姿态估计模块，以基于姿态估计结果提取图像中的局部区域特征。但是，这种基于运动估计提取局部区域特征的方式不易准确地识别出多种不同粒度的行人属性。因此，有待提出一种新的解决方案。

发明内容

本申请的多个方面提供一种属性识别、监控数据分析方法、设备及存储介质，用以提升不同粒度的行人属性的提取精度。

本申请实施例提供一种属性识别方法，包括：响应客户端对第一接口的调用请求，获取接口参数包含的第一图像；所述第一图像包含移动对象；将所述第一图像输入神经网络模型，所述神经网络模型包括多级特征提取网络以及多个属性识别分支，一级特征提取网络对应一个属性识别分支；在所述神经网络模型中，基于所述多级特征提取网络，对所述第一图像进行多级特征提取操作；基于所述多个属性识别分支，分别根据对应的特征提取网络提取到的特征，识别对应粒度级别的属性，得到所述移动对象的不同粒度的属性的预测值；将所述移动对象的不同粒度的属性的预测值返回至所述客户端。

本申请实施例提供一种监控数据分析方法，包括：获取对目标场所进行拍摄得到的监控图像，所述监控图像包括移动对象；将所述监控图像输入神经网络模型，所述神经网络模型包括多级特征提取网络以及多个属性识别分支，一级特征提取网络对应一个属性识别分支；在所述神经网络模型中，基于所述多级特征提取网络，对所述监控图像进行多级特征提取操作；基于所述多个属性识别分支，分别根据对应的特征提取网络提取到的特征，识别对应粒度级别的属性，得到所述移动对象的不同粒度的属性的预测值。

本申请实施例提供一种属性识别方法，包括：获取包含移动对象的第一图像；将所述第一图像输入神经网络模型，所述神经网络模型包括多级特征提取网络以及多个属性识别分支，一级特征提取网络对应一个属性识别分支；在所述神经网络模型中，基于所述多级特征提取网络，对所述第一图像进行多级特征提取操作；基于所述多个属性识别分支，分别根据对应的特征提取网络提取到的特征，识别对应粒度级别的属性，得到所述移动对象的不同粒度的属性的预测值。

本申请实施例还提供一种电子设备，包括：存储器和处理器；所述存储器用于存储一条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令以用于：执行本申请实施例提供方法中的步骤。

本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时能够实现本申请实施例提供的方法中的步骤。

本申请实施例中，基于神经网络模型中的多级特征提取网络，可提取出多种不同层级的、包含不同粒度的信息的特征。其中，一层特征提取网络对应一个属性识别分支，进而，每个属性识别分支可分别基于对应层级的特征，识别对应粒度的属性，多个属性识别分支可基于多层级特征，识别多种粒度的属性。基于这种实施方式中，满足了不同粒度的属性的识别过程对不同层级的特征的需求，可在有效地保证细粒度的属性的识别精度的同时，提升粗粒度的属性的识别精度。

附图说明