一种端到端的人体检测与属性识别方法技术

本发明专利技术提出一种基于深度学习的端到端的人体检测与属性识别方法，旨在提高网络运行效率的同时提高泛化性能。网络结构是由目标检测与人体属性识别两个模块构成，目标检测模块完成对人体对象的识别与定位。人体属性识别模块是一个多输出网络，用于完成多个人体属性的判断。该模型能准确地检测现实场景中的多个人并且对这些人的属性进行检测，同时，还结合该模型的特点设置了一种将属性相关性作为先验知识来指导网络训练的方法。

【技术实现步骤摘要】
一种端到端的人体检测与属性识别方法
本专利技术涉及目标检测与人体属性识别领域，特别是现实场景中的人体属性识别。
技术介绍
人体属性识别是指对现实场景中人的性别、年龄、发型、着装等人体属性进行判断。这些属性在行人识别与检索方面都有很多的应用。比如在视频质量较差时对行人进行身份验证；在刑侦案件中，可以通过犯罪嫌疑人的外在属性在监控视频中检索相似的疑犯。现有人体属性识别方法主要是将目标检测和属性识别作为两个独立任务，为两个任务分别搭建深度卷积神经网络进行学习，然后将两个网络进行串联，该类方法实现比较简单，但是由于是将检测与识别分为两阶段，导致计算过程过于冗余。
技术实现思路
本专利技术的专利技术目的在于：为了解决现有人体属性识别方法存在模型训练效率低、经验知识未被有效利用等问题，本专利技术提出一种基于多任务学习的端到端的人体检测与属性识别方法。使用一个神经网络同时实现人体检测与属性识别两个任务，能快速实现现实场景中的人体检测及其属性的识别，具有更好的运行效率与泛化性能。本专利技术的端到端的人体检测与属性识别方法，包本文档来自技高网...

【技术保护点】
1.一种端到端的人体检测与属性识别方法，其特征在于，包括下列步骤：/n构建及训练人体检测与属性识别的多任务网络模型：/n所述多任务网络模型的网络结构包括：/n由卷积神经网络构成的特征提取器，用于提取输入图像的特征图；/n由分类器与回归器所构成的人体检测模块，输入为特征提取器提取的特征图，其中，分类器用于判断是否为人体，回归器用于预测人体位置；/n由多个属性识别分支所构成的属性识别模块，其中，属性识别分支数与待识别的属性数量一致；将人体检测模块的回归器预测的人体位置按比例映射到特征图，再在特征图中提取对应映射后的人体位置的特征块，输入到各属性识别分支；/n设置用于训练所述多任务网络模型的训练数据...

【技术特征摘要】
20200815 CN 20201082176571.一种端到端的人体检测与属性识别方法，其特征在于，包括下列步骤：
构建及训练人体检测与属性识别的多任务网络模型：
所述多任务网络模型的网络结构包括：
由卷积神经网络构成的特征提取器，用于提取输入图像的特征图；
由分类器与回归器所构成的人体检测模块，输入为特征提取器提取的特征图，其中，分类器用于判断是否为人体，回归器用于预测人体位置；
由多个属性识别分支所构成的属性识别模块，其中，属性识别分支数与待识别的属性数量一致；将人体检测模块的回归器预测的人体位置按比例映射到特征图，再在特征图中提取对应映射后的人体位置的特征块，输入到各属性识别分支；
设置用于训练所述多任务网络模型的训练数据集，并对训练数据集进行数据集预处理后进行网络模型训练，保存满足训练需求的多任务网络模型；
且训练时，所采用的损失函数包括：
特征提取器包括批归一化正则化项，即卷积神经网络的正则化项；
人体检测模块包括分...

【专利技术属性】
技术研发人员：陈爱国，赵太银，朱大勇，罗光春，谷俊霖，杨栋栋，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51