卷积神经网络的训练方法、行人属性识别方法及相关设备技术

本发明专利技术涉及图像识别技术领域，提供一卷积神经网络的训练方法、行人属性识别方法及相关设备，所述训练方法包括：采集行人属性数据集；构建卷积神经网络，所述卷积神经网络包括特征降维结构、通道混合结构及特征分类结构；将所述行人属性图像进行标准卷积，处理后得到的行人属性特征图输入到所述特征降维结构进行特征降维训练；将训练输出的所述行人属性降维特征图输入到所述通道混合结构进行各通道间维度的融合；将所述行人属性通道融合特征图输入到所述特征分类结构，通过所述特征分类结构进行特征拆分，以得到目标卷积神经网络模型。本发明专利技术能够提高行人属性识别的准确率，且自身参数量小，运行速度快。运行速度快。运行速度快。

【技术实现步骤摘要】
卷积神经网络的训练方法、行人属性识别方法及相关设备


[0001]本专利技术涉及图像识别
，尤其涉及一种卷积神经网络的训练方法、行人属性识别方法及相关设备。

技术介绍

[0002]近年来，行人属性识别在多个领域中越来越得到广泛的应用，准确、高效的行人属性识别结果在协助执法人员侦破案件、改进人机交互体验等方面有重要的辅助作用。
[0003]在基于卷积神经网络的多类别识别中，如何提高各个类别间有用信息的高效共享、降低无效信息的干扰始终是一个有待解决的技术问题。通常而言，在标准卷积中，卷积核与图像像素值的矩阵运算是在各个通道上同时进行的，但是在采用分组卷积后，各通道上的卷积核与图像像素值的矩阵运算则在各自通道上进行，即各通道间的信息交流是阻塞的，这将有利于维持某种行人属性的特征。但是通道间信息持续的阻塞将会对最终用于判别各类属性信息的总特征产生不利影响，会对多类别行人属性的识别结果的准确度造成影响。可见，现有技术中存在识别结果的准确率低的问题。

技术实现思路

[0004]本专利技术实施例提供一种卷积神经网络的训练方法，能够提高属性识别结果的准确度，并降低构建模型参数，提高模型的运行速度。
[0005]第一方面，本专利技术实施例提供一种卷积神经网络的训练方法，所述方法包括以下步骤：采集行人属性数据集，所述行人属性数据集中包括行人属性图像；构建卷积神经网络，所述卷积神经网络包括特征降维结构、通道混合结构及特征分类结构；将所述行人属性数据集中的所述行人属性图像进行标准卷积，并将标准卷积处理后得到的行人属性特征图输入到所述特征降维结构进行特征降维训练，以输出行人属性降维特征图；将所述行人属性降维特征图输入到已构建的所述通道混合结构进行各通道间维度的融合，输出行人属性通道融合特征图；将所述行人属性通道融合特征图输入到所述特征分类结构，通过所述特征分类结构进行特征拆分，以得到目标卷积神经网络模型。
[0006]第二方面，本专利技术实施例提供一种行人属性识别方法，包括步骤：获取待检测数据，所述待检测数据包括行人属性数据；将所述待检测数据中的所述行人属性数据输入到任一实施例中所述的目标卷积神经网络模型进行行人属性识别；将行人属性识别结果进行输出。
[0007]第三方面，本专利技术实施例提供一种卷积神经网络的训练装置，包括：
采集模块，用于采集行人属性数据集，所述行人属性数据集中包括行人属性图像；构建模块，用于构建卷积神经网络，所述卷积神经网络包括特征降维结构、通道混合结构及特征分类结构；特征降维模块，用于将所述行人属性数据集中的所述行人属性图像进行标准卷积，并将标准卷积处理后得到的行人属性特征图输入到所述特征降维结构进行特征降维训练，以输出行人属性降维特征图；通道融合模块，用于将所述行人属性降维特征图输入到已构建的所述通道混合结构进行各通道间维度的融合，输出行人属性通道融合特征图；特征分类模块，用于将所述行人属性通道融合特征图输入到所述特征分类结构，通过所述特征分类结构进行特征拆分，以得到目标卷积神经网络模型。
[0008]第四方面，本专利技术实施例提供一种行人属性识别装置，包括：获取模块，用于获取待检测数据，所述待检测数据包括行人属性数据；识别模块，用于将所述待检测数据中的所述行人属性数据输入到任一实施例中所述的目标卷积神经网络模型进行行人属性识别；输出模块，用于将行人属性识别结果进行输出。
[0009]第五方面，本专利技术实施例提供一种电子设备，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所述实施例提供的卷积神经网络的训练方法中的步骤。
[0010]第六方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述任一实施例提供的卷积神经网络的训练方法中的步骤。
[0011]在本专利技术实施例中，通过采集行人属性数据集，所述行人属性数据集中包括行人属性图像；构建卷积神经网络，所述卷积神经网络包括特征降维结构、通道混合结构及特征分类结构；将所述行人属性数据集中的所述行人属性图像进行标准卷积，并将标准卷积处理后得到的行人属性特征图输入到所述特征降维结构进行特征降维训练，以输出行人属性降维特征图；将所述行人属性降维特征图输入到已构建的所述通道混合结构进行各通道间维度的融合，输出行人属性通道融合特征图；将所述行人属性通道融合特征图输入到所述特征分类结构，通过所述特征分类结构进行特征拆分，以得到目标卷积神经网络模型。由于本专利技术构建的卷积神经网络包括特征降维结构、通道混合结构及特征分类结构，通过三个层次分别对卷积神经网络进行训练之后得到的目标卷积神经网络模型能够提高行人属性识别的准确率；同时构建的卷积神经网络网络结构自身的参数量小，能够提高运行速度。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0013]图1是本专利技术实施例提供的一种卷积神经网络的训练方法的流程图；图2是本专利技术实施例提供的另一种卷积神经网络的训练方法的流程图；
图2a是本专利技术实施例提供的采集行人属性数据集的流程图；图2b是本专利技术实施例提供的特征降维结构处理的流程图；图3是本专利技术实施例提供的另一种卷积神经网络的训练方法的流程图；图3a是本专利技术实施例提供的通道混合结构处理的流程图；图3b是本专利技术实施例提供的特征分类结构处理的流程图；图4是本专利技术实施例提供的一种卷积神经网络的训练装置的结构示意图；图5是本专利技术实施例提供的另一种卷积神经网络的训练装置的结构示意图；图6是本专利技术实施例提供的另一种卷积神经网络的训练装置的结构示意图；图7是本专利技术实施例提供的另一种卷积神经网络的训练装置的结构示意图；图8是本专利技术实施例提供的另一种卷积神经网络的训练装置的结构示意图；图9是本专利技术实施例提供的另一种卷积神经网络的训练装置的结构示意图；图10是本专利技术实施例提供的一种行人属性识别方法的流程图；图11是本专利技术实施例提供的一种行人属性识别装置的结构示意图；图12是本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0014]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。
[0015]本申请的说明书和权利要求书及附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络的训练方法，其特征在于，包括以下步骤：采集行人属性数据集，所述行人属性数据集中包括行人属性图像；构建卷积神经网络，所述卷积神经网络包括特征降维结构、通道混合结构及特征分类结构；将所述行人属性数据集中的所述行人属性图像进行标准卷积，并将标准卷积处理后得到的行人属性特征图输入到所述特征降维结构进行特征降维训练，以输出行人属性降维特征图；将所述行人属性降维特征图输入到已构建的所述通道混合结构进行各通道间维度的融合，输出行人属性通道融合特征图；将所述行人属性通道融合特征图输入到所述特征分类结构，通过所述特征分类结构进行特征拆分，以得到目标卷积神经网络模型。2.如权利要求1所述的卷积神经网络的训练方法，其特征在于，所述采集行人属性数据集的步骤包括：通过图像采集设备获取视频数据，并对所述视频数据进行视频帧抽取；识别所述视频帧中的行人，并对行人的所述行人属性图像进行标记；对已标记的所述行人属性图像进行划分，得到所述行人属性数据集。3.如权利要求1所述的卷积神经网络的训练方法，其特征在于，所述将所述行人属性数据集中的所述行人属性图像进行标准卷积，并将标准卷积处理后得到的行人属性特征图输入到所述特征降维结构进行特征降维训练的步骤包括：将所述行人属性数据集中的所述行人属性图像进行标准化处理；将标准化处理后的所述行人属性图像通过预设的第一标准卷积层进行标准卷积计算，得到所述行人属性特征图；将所述行人属性特征图输入到所述特征降维结构进行多次特征降维训练，以输出所述行人属性降维特征图。4.如权利要求3所述的卷积神经网络的训练方法，其特征在于，所述特征降维结构包括第一分组卷积层、第二标准卷积层与第一平均池化层，所述将所述行人属性特征图输入到所述特征降维结构进行多次特征降维训练的步骤包括：将所述行人属性特征图依次输入到所述第一分组卷积层、所述第二标准卷积层及所述第一平均池化层进行特征降维训练；重复执行所述将所述行人属性特征图依次输入到所述第一分组卷积层、所述第二标准卷积层及所述第一平均池化层进行特征降维训练的步骤，直到输出所述行人属性降维特征图。5.如权利要求1所述的卷积神经网络的训练方法，其特征在于，所述通道混合结构包括多层第二分组卷积层以及通道混合层，所述将所述行人属性降维特征图输入到已构建的所述通道混合结构进行各通道间维度的融合的步骤包括：将所述行人属性降维特征图依次输入到多层所述第二分组卷积层，以依次提取所述行人属性降维特征图的行人属性特征，通过所述通道混合层对所述行人属性特征进行各通道间维度的融合，其中，多层所述第二分组卷积层对应的分组数一致；...

【专利技术属性】
技术研发人员：闫潇宁，陈晓艳，郑双午，
申请(专利权)人：深圳市安软科技股份有限公司，
类型：发明
国别省市：