对象属性的识别方法、装置及系统制造方法及图纸

本发明专利技术提供了一种对象属性的识别方法、装置及系统，涉及图像处理的技术领域，该方法包括：获取待处理的图像帧，其中，图像帧中包括待分析的目标对象；通过目标神经网络在图像帧中提取图像帧的全局特征信息，以及提取图像帧中待分析区域的局部特征信息，待分析区域中包括目标对象的局部区域；结合局部特征信息和全局特征信息，确定目标对象中局部区域的属性信息，本发明专利技术缓解了现有的属性识别技术中由于引入了大量的无用信息导致的局部相关属性识别精度较差的技术问题。

【技术实现步骤摘要】
对象属性的识别方法、装置及系统
本专利技术涉及图像处理的
，尤其是涉及一种对象属性的识别方法、装置及系统。
技术介绍
随着图像识别技术的快速发展，很多应用中采用了各种识别技术，例如，人脸识别技术和待识别对象的属性识别技术。特别是在视频结构化的诸多应用中，行人的属性分析至关重要，行人属性是其中的重要一环。目前，通用的判别行人属性的方法是先在视频帧中做行人检测，检测到行人后，将行人从图像中切出，之后进行训练和测试。以上通用方法适用于全身相关的属性，例如，身高、体型、性别等。但对于局部相关的属性，例如头部的戴不戴帽子、是否长发、是否戴口罩，下半身的衣着是裤子还是裙子等，则引入了大量的无用信息。当引入大量的无用信息时，则会影响或者降低局部相关属性的识别精度。针对上述问题，还未提出有效解决方案。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种对象属性的识别方法、装置及系统，以缓解了现有的属性识别技术中由于引入了大量的无用信息导致的局部相关属性识别精度较差的技术问题。第一方面，本专利技术实施例提供了一种对象属性的识别方法，包括：获取待处理的图像帧，其中，所述图像帧中包括待分析的目标对象；通过目标神经网络提取所述图像帧的全局特征信息，以及在所述图像帧中提取局部特征信息，所述局部特征信息为所述图像帧中待分析区域的特征信息，所述待分析区域为包括所述目标对象的局部区域的图像区域；结合所述局部特征信息和所述全局特征信息，确定所述目标对象中局部区域的属性信息。进一步地，在所述图像帧中提取局部特征信息包括：在所述图像帧中提取所述待分析区域的区域信息，其中，所述区域信息包括所述待分析区域的高度，所述待分析区域的宽度，所述待分析区域的一个顶点在所述图像帧中的坐标信息；结合所述区域信息和所述全局特征信息确定所述局部特征信息。进一步地，结合所述区域信息和所述全局特征信息确定所述局部特征信息包括：基于所述区域信息对所述全局特征信息进行池化处理，以在所述全局特征信息中提取所述局部特征信息。进一步地，所述目标神经网络包括：基础卷积神经网络，第一卷积神经网络分支和第二卷积神经网络分支，其中，所述第一卷积神经网络分支和所述第二卷积神经网络分支的网络输入端分别与所述基础卷积神经网络的网络输出端相连接。进一步地，在所述图像帧中提取所述待分析区域的区域信息包括：通过所述基础卷积神经网络对所述图像帧进行浅层学习，学习得到浅层特征信息；通过预先训练的所述第一卷积神经网络分支对所述浅层特征信息进行第一深度学习，得到所述待分析区域的区域信息。进一步地，所述待分析区域的数量为多个，通过预先训练的所述第一卷积神经网络分支对所述浅层特征信息进行第一深度学习，得到所述待分析区域的区域信息包括：通过所述第一卷积神经网络分支中包含的每个卷积神经网络对所述图像帧的浅层特征信息分别进行所述第一深度学习，得到每个所述待分析区域的区域信息。进一步地，提取所述图像帧的全局特征信息包括：通过预先训练的所述第二卷积神经网络分支对所述浅层特征信息进行第二深度学习，得到所述图像帧的全局特征信息。进一步地，结合所述局部特征信息和所述全局特征信息，确定所述目标对象中局部区域的属性信息包括：将所述局部特征信息与所述全局特征信息进行合并，合并之后得到目标特征信息；对所述目标特征信息进行识别，得到所述属性信息。进一步地，将所述局部特征信息与所述全局特征信息进行合并，合并之后得到目标特征信息包括：对所述局部特征信息的张量与所述全局特征信息的张量进行叠加处理，并将叠加结果作为所述目标特征信息；或者，对所述局部特征信息的张量与所述全局特征信息的张量进行加权合并，并将合并结果作为所述目标特征信息。进一步地，所述方法还包括：通过损失函数，计算目标差值，其中，所述目标差值包括以下至少之一：所述目标神经网络预测出的所述待分析区域的区域信息与其真实值之间的差值，所述目标神经网络预测出的所述属性信息与其真实值之间的差值；基于所述目标差值对所述目标神经网络中的训练参数进行调整，并对调整之后的所述目标神经网络进行再次训练。第二方面，本专利技术实施例还提供一种对象属性的识别装置，包括：获取单元，用于获取待处理的图像帧，其中，所述图像帧中包括待分析的目标对象；提取单元，用于通过目标神经网络提取所述图像帧的全局特征信息，以及在所述图像帧中提取局部特征信息，所述局部特征信息为所述图像帧中待分析区域的特征信息，所述待分析区域为包括所述目标对象的局部区域的图像区域；确定单元，用于结合所述局部特征信息和所述全局特征信息，确定所述目标对象中局部区域的属性信息。第三方面，本专利技术实施例还提供一种对象属性的识别系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求所述的方法。第四方面，本专利技术实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述所述权利要求所述方法。在本专利技术实施例中，首先获取待处理的图像帧；然后，通过目标神经网络在图像帧中提取图像帧的全局特征信息，以及提取图像帧中待分析区域的局部特征信息；最后，结合局部特征信息和全局特征信息，确定目标对象中局部区域的属性信息。在本专利技术实施例中，通过结合局部特征信息和全局特征信息来识别局部区域的属性信息的方式，提高了属性识别的识别精度，从而缓解了现有的属性识别技术中由于引入了大量的无用信息导致的局部相关属性识别精度较差的技术问题。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据本专利技术实施例的一种电子设备的示意图；图2是根据本专利技术实施例的一种对象属性的识别方法的流程图；图3是根据本专利技术实施例的一种目标神经网络的结构示意图；图4是根据本专利技术实施例的另一种目标神经网络的结构示意图；图5是根据本专利技术实施例的一种对象属性的识别方法中步骤S106的流程图；图6是根据本专利技术实施例的一种对象属性的识别装置的示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一：首先，参照图1来描述用于实现本专利技术实施例的对象属性的识别方法的示例电子设备100。如图1所示，电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108以及图像采集装置110，这些组件通过总线系统112和/或其它形式的连接机构(未本文档来自技高网...

【技术保护点】
一种对象属性的识别方法，其特征在于，包括：获取待处理的图像帧，其中，所述图像帧中包括待分析的目标对象；通过目标神经网络提取所述图像帧的全局特征信息，以及在所述图像帧中提取局部特征信息，所述局部特征信息为所述图像帧中待分析区域的特征信息，所述待分析区域为包括所述目标对象的局部区域的图像区域；结合所述局部特征信息和所述全局特征信息，确定所述目标对象中局部区域的属性信息。

【技术特征摘要】
1.一种对象属性的识别方法，其特征在于，包括：获取待处理的图像帧，其中，所述图像帧中包括待分析的目标对象；通过目标神经网络提取所述图像帧的全局特征信息，以及在所述图像帧中提取局部特征信息，所述局部特征信息为所述图像帧中待分析区域的特征信息，所述待分析区域为包括所述目标对象的局部区域的图像区域；结合所述局部特征信息和所述全局特征信息，确定所述目标对象中局部区域的属性信息。2.根据权利要求1所述的方法，其特征在于，在所述图像帧中提取局部特征信息包括：在所述图像帧中提取所述待分析区域的区域信息，其中，所述区域信息包括所述待分析区域的高度，所述待分析区域的宽度，所述待分析区域的一个顶点在所述图像帧中的坐标信息；结合所述区域信息和所述全局特征信息确定所述局部特征信息。3.根据权利要求2所述的方法，其特征在于，结合所述区域信息和所述全局特征信息确定所述局部特征信息包括：基于所述区域信息对所述全局特征信息进行池化处理，以在所述全局特征信息中提取所述局部特征信息。4.根据权利要求2所述的方法，其特征在于，所述目标神经网络包括：基础卷积神经网络，第一卷积神经网络分支和第二卷积神经网络分支，其中，所述第一卷积神经网络分支和所述第二卷积神经网络分支的网络输入端分别与所述基础卷积神经网络的网络输出端相连接。5.根据权利要求4所述的方法，其特征在于，在所述图像帧中提取所述待分析区域的区域信息包括：通过所述基础卷积神经网络对所述图像帧进行浅层学习，学习得到浅层特征信息；通过预先训练的所述第一卷积神经网络分支对所述浅层特征信息进行第一深度学习，得到所述待分析区域的区域信息。6.根据权利要求5所述的方法，其特征在于，所述待分析区域的数量为多个，通过预先训练的所述第一卷积神经网络分支对所述浅层特征信息进行第一深度学习，得到所述待分析区域的区域信息包括：通过所述第一卷积神经网络分支中包含的每个卷积神经网络对所述图像帧的浅层特征信息分别进行所述第一深度学习，得到每个所述待分析区域的区域信息。7.根据权利要求5所述的方法，其特征在于，提取所述图像帧的全局特征信息包括：通过预先训...

【专利技术属性】
技术研发人员：石娟峰，张弛，
申请(专利权)人：北京旷视科技有限公司，北京迈格威科技有限公司，
类型：发明
国别省市：北京,11