[发明专利]行人属性分类方法、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分类方法、装置、电子设备及存储介质，方法包括：获取待分类图像；将待分类图像输入预先训练的属性分类模型进行属性分类，得到对待分类图像的属性分类结果；预先训练的属性分类模型的训练步骤包括：建立原始属性分类模型，并获取样本数据；对样本数据进行人体层次结构划分，得到不同层次的人体图像划分结果；获取不同层次的人体图像划分结果中，人体相邻各部位特征流的联系；利用人体图像划分结果，以及人体各部位特征流的联系，将样本数据进行分割，得到不同层次的样本分割图像；利用不同层次的样本分割图像训练原始属性分类模型，得到属性分类模型；本申请可以降低行人属性分类时，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分类方法、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。

现有的对行人属性进行分类的方法，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。

但是现有技术的行人属性分类的方法，是基于整张图片对人体进行属性分类，过分注重对进行特征提取的深度神经卷积网络进行优化，这会导致整图分类结果易受背景杂物、物体遮挡等影响，从而增加行人属性分类时，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分类方法、装置、电子设备及存储介质，可以降低行人属性分类时，混淆及误判的几率。

本申请第一方面提供一种行人属性分类方法，包括：获取待分类图像；将所述待分类图像输入预先训练的属性分类模型进行属性分类，得到对所述待分类图像的属性分类结果；所述预先训练的属性分类模型的训练步骤包括：建立原始属性分类模型，并获取样本数据；对所述样本数据进行人体层次结构划分，得到不同层次的人体图像划分结果；获取不同层次的人体图像划分结果中，人体相邻各部位特征流的联系；利用所述人体图像划分结果，以及所述人体各部位特征流的联系，将所述样本数据进行分割，得到不同层次的样本分割图像；利用不同层次的样本分割图像训练所述原始属性分类模型，得到用于将待分类图像进行不同层次的属性识分类的属性分类模型；将所述待分类图像输入预先训练的属性分类模型对所述待分类图像进行分类的步骤包括：将所述待分类图像进行人体层次结构划分，得到不同层次的人体图像划分结果；获取不同层次的人体图像划分结果中，人体相邻各部位特征流的联系；利用所述人体图像划分结果，以及所述人体各部位特征流的联系，将所述待分类图像进行分割，得到人体图像不同层次的分割图像；对不同层次的分割图像进行属性分类，得到属性分类结果。

其中，在利用不同层次的样本分割图像训练所述原始属性分类模型时，所述预先训练的属性分类模型的训练步骤还包括：获取所述样本数据内人体的全身图像；将所述全身图像及所述分割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第一预定次数。

其中，所述将所述全身图像及所述分割图像进行相互监督学习，包括：利用相邻所述分割图像之间的特征流的联系，将相邻所述分割图像进行融合，得到人体的融合验证图像；利用所述融合验证图像验证及修正所述全身图像；将所述全身图像按照相邻所述分割图像之间的特征流的联系进行分割，得到分割验证图像；利用所述分割验证图像验证及修正所述分割图像。

其中，在利用不同层次的样本分割图像训练所述原始属性分类模型时，所述预先训练的属性分类模型的训练步骤还包括：将所述全身图像、所述分割图像各自进行自监督学习，直至所述自监督学习的次数达到第二预定次数。