监控场景中行人属性识别方法及系统技术方案

本发明专利技术涉及一种监控场景中行人属性识别方法及系统，所述属性识别方法包括：获取监控场景下的待测行人图像；对待测行人图像进行预处理，得到处理图像；通过深度神经网络，得到待测行人图像的卷积图像特征；根据全连接层及卷积图像特征，确定各属性分类器的权重参数；基于卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值；基于各网络属性值，确定对应属性的预测值；根据各预测值，确定待测行人图像的属性类型。本发明专利技术通过深度神经网络，提取待测行人图像的卷积图像特征，确定各属性分类器的权重参数；并得到在不同属性分类器下的网络属性值，进而得到对应属性的预测值，以准确确定待测行人图像的属性类型。

【技术实现步骤摘要】
监控场景中行人属性识别方法及系统
本专利技术涉及视觉场景处理分析
，特别涉及一种监控场景中行人属性识别方法及系统。
技术介绍
近年来，计算机视觉、人工智能、机器感知等领域迅猛发展。随着安放摄像头的广泛部署，如何在监控场景中进行高效的行人属性识别得到广泛的关注。监控场景中的行人属性识别就是利用计算机算法对视频中的行人图片进行处理分析，自动地得到某一行人所包含的属性类别，比如年龄，性别，背包，衣着等等。从而为下游的行人图片检索和行人重识别技术提供支撑和辅助。而传统方法通过构建手工设计的图片特征来得到行人图片的特征表达，其性能不足以满足实际场景中的应用需求。而近年来随着深度学习的广泛使用，许多行人属性算法从更好的特征表达以及属性关系建模两个方面出发，不断提高监控场景中的行人属性识别方法，推动着行人属性识别领域的发展。尽管之前有大量的工作通过学习更有判别能力的视觉特征表达以及更好的建模属性之间的关系，使得行人属性识别的性能有了显著的提升，但是各方法都不可避免的增加了模型的参数量和计算的复杂度，增加了行人属性识别的难度。
技术实现思路
为了解决现有技术中的上述问题，即为了提高行人属性识别，本专利技术的目的在于提供一种监控场景中行人属性识别方法及系统。为解决上述技术问题，本专利技术提供了如下方案：一种监控场景中行人属性识别方法，所述属性识别方法包括：获取监控场景下的待测行人图像；对所述待测行人图像进行预处理，得到处理图像；通过深度神经网络，根据所述处理图像，得到待测行人图像的卷积图像特征；根据全连接层及所述卷积图像特征，确定各属性分类器的权重参数；基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值；基于各所述待测行人图像的网络属性值，确定对应属性的预测值；根据各所述属性的预测值，确定所述待测行人图像的属性类型。可选地，所述对所述待测行人图像进行预处理，得到处理图像，具体包括：对所述待测行人图像进行缩放处理，得到缩放图像；对所述缩放图像进行随机水平翻转，得到翻转图像；对所述翻转图像补零填充，得到预处理图像。可选地，根据以下公式，得到待测行人图像的卷积图像特征Ximg：Ximg＝fcnn(Iimg；θcnn)；其中，为行人特征所处的实数空间，Cfeat为卷积特征的层数，也即行人特征空间的维度，fcnn为深度神经网络，Iimg为处理图像，Iimg∈RH×W×C，H为卷积特征图的高度，W为卷积特征图的宽度，C为深度神经网络输入的处理图像层数，θcnn为深度神经网络的可学习参数。可选地，所述根据全连接层及所述卷积图像特征，确定各属性分类器的权重参数，具体包括：根据全连接层及所述卷积图像特征，建立行人图像属性识别的属性分类器Cls(Ximg；θcls)；其中，Ximg为卷积图像特征，θcls为属性分类器的权重参数，为属性分类器权重参数所处的实数空间，Cfeat为卷积特征的层数，Nattr为预先存储在数据库中标注属性的数量；基于所述行人图像属性识别的属性分类器，确定各属性分类器的权重参数其中，i为当前属性分类器的序号，属性分类器的数量与属性类别保持一致，i＝1，2，…，Nattr。可选地，所述基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值，具体包括：分别对所述卷积图像特征及各权重参数进行归一化处理，得到对应的归一化特征及各归一化权重参数；根据所述归一化特征及各归一化权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值。可选地，根据以下公式，确定在不同属性分类器下的所述待测行人图像的网络属性值：其中，Nattr为预先存储在数据库中标注属性的数量，i为当前属性分类器的序号，为第i个属性分类器下的所述待测行人图像的网络属性值，α为缩放因子，为归一化特征，为i个属性分类器的归一化权重参数。可选地，根据以下公式，确定对应属性的预测值：其中，Nattr为预先存储在数据库中标注属性的数量，i为当前属性分类器的序号，为所述待测行人图像的第i个属性的预测值，为第i个属性分类器下的所述待测行人图像的网络属性值，BN(.)为批归一化层处理函数，Sigmoid(.)为神经网络激活函数。为解决上述技术问题，本专利技术还提供了如下方案：一种监控场景中行人属性识别系统，所述属性识别系统包括：获取单元，用于获取监控场景下的待测行人图像；预处理单元，用于对所述待测行人图像进行预处理，得到处理图像；特征确定单元，用于通过深度神经网络，根据所述处理图像，得到待测行人图像的卷积图像特征；参数确定单元，用于根据全连接层及所述卷积图像特征，确定各属性分类器的权重参数；计算单元，用于基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值；预测单元，用于基于各所述待测行人图像的网络属性值，确定对应属性的预测值；属性确定单元，用于根据各所述属性的预测值，确定所述待测行人图像的属性类型。为解决上述技术问题，本专利技术还提供了如下方案：一种监控场景中行人属性识别系统，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：获取监控场景下的待测行人图像；对所述待测行人图像进行预处理，得到处理图像；通过深度神经网络，根据所述处理图像，得到待测行人图像的卷积图像特征；根据全连接层及所述卷积图像特征，确定各属性分类器的权重参数；基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值；基于各所述待测行人图像的网络属性值，确定对应属性的预测值；根据各所述属性的预测值，确定所述待测行人图像的属性类型。为解决上述技术问题，本专利技术还提供了如下方案：一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：获取监控场景下的待测行人图像；对所述待测行人图像进行预处理，得到处理图像；通过深度神经网络，根据所述处理图像，得到待测行人图像的卷积图像特征；根据全连接层及所述卷积图像特征，确定各属性分类器的权重参数；基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值；基于各所述待测行人图像的网络属性值，确定对应属性的预测值；根据各所述属性的预测值，确定所述待测行人图像的属性类型。根据本专利技术的实施例，本专利技术公开了以下技术效果：本专利技术通过深度神经网络，从预处理后的处理图像中提取待测行人图像的卷积图像特征，进一步得到各属性分类器的权重参数；基于卷积本文档来自技高网...

【技术保护点】
1.一种监控场景中行人属性识别方法，其特征在于，所述属性识别方法包括：/n获取监控场景下的待测行人图像；/n对所述待测行人图像进行预处理，得到处理图像；/n通过深度神经网络，根据所述处理图像，得到待测行人图像的卷积图像特征；/n根据全连接层及所述卷积图像特征，确定各属性分类器的权重参数；/n基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值；/n基于各所述待测行人图像的网络属性值，确定对应属性的预测值；/n根据各所述属性的预测值，确定所述待测行人图像的属性类型。/n

【技术特征摘要】
1.一种监控场景中行人属性识别方法，其特征在于，所述属性识别方法包括：
获取监控场景下的待测行人图像；
对所述待测行人图像进行预处理，得到处理图像；
通过深度神经网络，根据所述处理图像，得到待测行人图像的卷积图像特征；
根据全连接层及所述卷积图像特征，确定各属性分类器的权重参数；
基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值；
基于各所述待测行人图像的网络属性值，确定对应属性的预测值；
根据各所述属性的预测值，确定所述待测行人图像的属性类型。


2.根据权利要求1所述的监控场景中行人属性识别方法，其特征在于，所述对所述待测行人图像进行预处理，得到处理图像，具体包括：
对所述待测行人图像进行缩放处理，得到缩放图像；
对所述缩放图像进行随机水平翻转，得到翻转图像；
对所述翻转图像补零填充，得到预处理图像。


3.根据权利要求1所述的监控场景中行人属性识别方法，其特征在于，根据以下公式，得到待测行人图像的卷积图像特征Ximg：
Ximg＝fcnn(Iimg；θcnn)；
其中，为行人特征所处的实数空间，Cfeat为卷积特征的层数，fcnn为深度神经网络，Iimg为处理图像，Iimg∈RH×W×C，H为卷积特征图的高度，W为卷积特征图的宽度，C为深度神经网络输入的处理图像层数，θcnn为深度神经网络的可学习参数。


4.根据权利要求1所述的监控场景中行人属性识别方法，其特征在于，所述根据全连接层及所述卷积图像特征，确定各属性分类器的权重参数，具体包括：
根据全连接层及所述卷积图像特征，建立行人图像属性识别的属性分类器Cls(Ximg；θcls)；其中，Ximg为卷积图像特征，θcls为属性分类器的权重参数，为属性分类器权重参数所处的实数空间，Cfeat为卷积特征的层数，Nattr为预先存储在数据库中标注属性的数量；
基于所述行人图像属性识别的属性分类器，确定各属性分类器的权重参数其中，i为当前属性分类器的序号，属性分类器的数量与属性类别保持一致，i＝1，2，...，Nattr。


5.根据权利要求1所述的监控场景中行人属性识别方法，其特征在于，所述基于所述卷积图像特征及各权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值，具体包括：
分别对所述卷积图像特征及各权重参数进行归一化处理，得到对应的归一化特征及各归一化权重参数；
根据所述归一化特征及各归一化权重参数，确定在不同属性分类器下的所述待测行人图像的网络属性值。


6.根据权利要求5所述的监控场景中行人属性识别方法，其特征在于，根据以下公式，确定在不同属性分类器下的所述待测行人图像的网络属性值：



其中，Nattr为预先存储在数据库中标注...

【专利技术属性】
技术研发人员：黄凯奇，陈晓棠，贾健，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11