基于多层次特征与身份信息辅助的行人属性识别方法技术

本发明专利技术公开了一个新的深度学习网络——多层次特征与身份信息辅助模型MFIA(Multi

【技术实现步骤摘要】
基于多层次特征与身份信息辅助的行人属性识别方法
1.

[0001]本专利技术属于行人属性识别方法，涉及计算机视觉

2.
技术介绍

[0002]行人属性识别(pedestrian attribute recognition)的目标是挖掘给定图像中行人的属性特征，进而对属性进行分类，最终能够预测测试集中行人的属性标签，比如性别、年龄、衣服颜色、衣服样式等。属性识别一直是计算机视觉中比较热门的领域，在许多方向都有着广泛的应用，比如基于属性识别的人脸识别技术已经相当成熟，应用于日常生活中的各个领域。随着近几十年监控设备在全世界普及，监控场景下的行人属性识别任务也越来越受到重视，但是由于监控设备和普通设备所拍摄的图像质量参差不齐，往往存在以下几个问题：(1)图像尺寸较小，分辨率低；(2)行人图像为抓拍图像，可能存在姿态变换、遮挡、模糊等情况；(3)摄像头为固定摄像头，受天气、光线、角度等外界因素影响；(4)数据集往往从某一区域某一时间段内获取，通常存在严重的特殊性。
[0003]深度学习出现以后，大量的行人属性识别模型针对上述问题做出了贡献本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多层次特征与身份信息辅助的行人属性识别方法，其特征在于，所述方法包括以下步骤：S1.构建骨架裁剪模块。S2.多层次特征模块。S3.身份信息辅助模块。2.根据权利要求1所述的基于多层次特征与身份信息辅助的行人属性识别方法，其特征在于，所述S1的具体过程为：图像输入网络之后首先经过STN模块，对于不准确的行人图像进行处理，提取行人区域框：其中为2*3矩阵，为变换前的坐标，为变换后的坐标。之后经过堆叠沙漏模型SPPE模块，识别出来的姿态结果会被映射到检测到的行人区域框中，并且同时使用并行SPPE模块对行人区域框进行反馈调整。最后通过SDTN模块将姿态信息映射回原图坐标：其中为2*3矩阵，并且，STN与SDTN为逆过程，可以得到以下关系：[γ
1 γ2]＝[θ
1 θ2]
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)γ3＝
‑
1*[γ
1 γ2]
‑1θ3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)然而，有时一张行人图像会生成多个骨架信息，因此第二阶段需要通过Pose NMS方法去除冗余行人姿态。其中P
i
,P
j
分别表示第i个姿态和第j个姿态，并且，姿态P
i
包含M个关节点包含M个关节点和分别表示姿态P
i
的第m个关节点坐标和和第m个关节点的置信度分数。因此姿态之间的距离值：D(P
i
,P
j
|Λ)＝M(P
i
,P
j
|σ1)+λS(P
i
,P
j
|σ2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中Λ＝{σ1,σ2,λ}，为权重集。最后通过消去法则，去掉相似并且距离近的姿态：F(P
i
,P
j
|Λ,η)＝1[D(P
i
,P
j
|Λ)≤η]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中η为消除阈值。
进一步根据骨架坐标确定行人精确区域框，并进行裁剪：R
n
＝α*{<min{x
nm
},min{y
nm
}>,<max{x
nm
},max{y
nm

【专利技术属性】
技术研发人员：韦学艳，路静，李阳，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：