对象属性识别方法、相关装置、设备和介质制造方法及图纸

本公开提供了一种对象属性识别方法、相关装置、设备和介质。该对象属性识别方法包括：获取目标对象图像；将所述目标对象图像输入训练后的像素识别模型，得到所述目标对象图像中每个第一像素点对应的目标部位标签；根据所述目标部位标签的类别，对所述目标对象图像进行图像裁剪，得到目标部位图像；将所述目标部位图像输入训练后的属性识别模型，得到所述目标部位图像的目标属性标签。本公开实施例通过图像裁剪，得到不同的目标部位图像分别进行模型识别，提高了对象属性识别的准确性。本公开实施例应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。等各种场景。等各种场景。

【技术实现步骤摘要】
对象属性识别方法、相关装置、设备和介质


[0001]本公开涉及对象属性识别领域，特别是涉及一种对象属性识别方法、相关装置、设备和介质。

技术介绍

[0002]目前，对象属性识别是指识别对象是否具有一个或多个属性，例如可以是识别对象是否佩戴眼镜、是否佩戴口罩、是否穿戴工服等属性。
[0003]相关技术中，可以通过深度学习的方法进行对象属性识别。但是，这种方法是基于全图进行模型的训练和识别的方法，而全图中包含的对象信息之间跨度较大，使得模型难以从全图直接学习到有效的属性特征，从而对对象属性识别的准确性造成影响。

技术实现思路

[0004]本公开实施例提供了一种对象属性识别方法、相关装置、设备和介质，它能够提高对象属性识别的准确性。
[0005]根据本公开的一方面，提供了一种对象属性识别方法，包括：获取目标对象图像；将所述目标对象图像输入训练后的像素识别模型，得到所述目标对象图像中每个第一像素点对应的目标部位标签；根据所述目标部位标签的类别，对所述目标对象图像进行图像裁剪，得到目标部位图像；将所述目标部位图像输入训练后的属性识别模型，得到所述目标部位图像的目标属性标签。
[0006]根据本公开的一方面，提供了一种对象属性识别装置，包括：图像获取单元，用于获取目标对象图像；像素识别单元，用于将目标对象图像输入训练后的像素识别模型，得到目标对象图像中每个第一像素点对应的目标部位标签；图像裁剪单元，用于根据目标部位标签的类别，对目标对象图像进行图像裁剪，得到目标部位图像；属性识别单元，用于将目标部位图像输入训练后的属性识别模型，得到目标部位图像的目标属性标签。
[0007]可选地，像素识别单元用于：获取第一样本对象图像；将第一样本对象图像输入部位分割模型，得到第一样本对象图像中每个第二像素点的子部位标签；对子部位标签进行标签映射，得到每个第二像素点的原始部位标签；将第一样本对象图像输入像素识别模型，得到每个第二像素点的第一样本部位标
签；基于第一样本部位标签和原始部位标签训练像素识别模型，得到训练后的像素识别模型。
[0008]可选地，像素识别单元用于：根据原始头部标签和样本头部标签计算得到第一损失数据；根据原始上躯体标签和样本上躯体标签计算得到第二损失数据；根据原始下躯体标签和样本下躯体标签计算得到第三损失数据；根据第一样本对象图像中所有第二像素点的总数量、第一损失数据、第二损失数据和第三损失数据训练像素识别模型，得到训练后的像素识别模型。
[0009]可选地，属性识别单元用于：获取第二样本对象图像，将所述第二样本对象图像输入训练后的像素识别模型，得到所述第二样本对象图像中每个第三像素点对应的第二样本部位标签；根据所述第二样本部位标签的类别，对所述第二样本对象图像进行图像裁剪，得到样本子部位图像；将样本子部位图像输入属性识别模型，得到样本属性标签；根据样本子部位图像携带的掩码标签对样本子部位图像的样本属性标签进行筛选，得到预测属性标签；根据预测属性标签和原始属性标签训练属性识别模型，得到训练后的属性识别模型。
[0010]可选地，属性识别单元用于：将属性识别模型对应的属性类型与原始属性标签进行匹配，得到匹配结果；若匹配结果表示属性类型与原始属性标签匹配，将预设的第一阈值作为属性类型的映射值；若匹配结果表示属性类型与原始属性标签不匹配，将预设的第二阈值作为映射值；根据映射值和属性类型构建掩码标签。
[0011]可选地，属性识别单元用于：根据对象部位对属性类型进行分类，得到类型集；将原始属性标签与对应的类型集中的属性类型进行匹配，得到匹配结果。
[0012]可选地，属性识别单元用于：若样本子部位图像表示头部图像，根据预测属性标签和原始属性标签训练第一模型；若样本子部位图像表示上躯体图像，根据预测属性标签和原始属性标签训练第二模型；若样本子部位图像表示下躯体图像，根据预测属性标签和原始属性标签训练第三模型。
[0013]可选地，属性识别单元用于：若样本子部位图像表示头部图像，根据预测属性标签和原始属性标签训练第四模型；
若样本子部位图像表示上躯体图像或下躯体图像，根据预测属性标签和原始属性标签训练第五模型。
[0014]可选地，图像裁剪单元用于：基于目标部位标签的类别对第一像素点进行分类，得到像素集合；获取像素集合中每一个第一像素点的原始坐标；将多个原始坐标进行比较，确定边界坐标；基于边界坐标构建矩形区域；根据矩形区域对目标对象图像进行图像裁剪，得到目标部位图像。
[0015]可选地，图像裁剪单元用于：根据目标部位标签对目标对象图像进行二值化处理，得到二值图像；将预设卷积核与二值图像进行相似性计算，得到第一图像；将第一图像与预设卷积核进行非相似性计算，得到第二图像；基于第二图像，获取像素集合中每一个第一像素点的原始坐标。
[0016]可选地，图像获取单元用于：获取原始对象图像；对原始对象图像进行对象检测，得到对象区域；根据对象区域对原始对象图像进行裁剪，得到目标对象图像。
[0017]根据本公开的一方面，提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的对象属性识别方法。
[0018]根据本公开的一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的对象属性识别方法。
[0019]根据本公开的一方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，所述计算机程序被计算机设备的处理器读取并执行，使得该计算机设备执行如上所述的对象属性识别方法。本公开实施例通过像素识别模型识别第一像素点的目标部位标签，基于目标部位标签可以对目标对象图像进行图像裁剪，得到目标部位图像。由此可知，本公开实施例实现了对对象部位的显示定位。在此基础上，当结合属性识别模型进行属性识别时，能够缓解图像空间不对齐对识别造成的影响，以及降低不同领域对识别的影响。同时，能够使属性识别模型有较好的局部特征学习能力，从而可以支持更多细粒度的对象属性学习，提升对象属性识别的准确性。
[0020]本公开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，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0021]附图用来提供对本公开技术方案的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。
[0022]图1是本公开实施例的对象属性识别方法的体系架构图；图2A至图2C是本公开的实施例的对象属性识别方法应用于不同场景下的示意图；
图3是根据本公开的一个实施例的对象属性识别方法的流程图；图4是图3中步骤310中获取目标对象图像的一个流程图；图5是图4中步骤430中对原始对象图像进行裁剪得到目标对象图像的示意图；图6是图3中步骤32本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象属性识别方法，其特征在于，所述方法包括：获取目标对象图像；将所述目标对象图像输入训练后的像素识别模型，得到所述目标对象图像中每个第一像素点对应的目标部位标签；根据所述目标部位标签的类别，对所述目标对象图像进行图像裁剪，得到目标部位图像；将所述目标部位图像输入训练后的属性识别模型，得到所述目标部位图像的目标属性标签。2.根据权利要求1所述的方法，其特征在于，所述像素识别模型通过以下步骤训练：获取第一样本对象图像；将所述第一样本对象图像输入部位分割模型，得到所述第一样本对象图像中每个第二像素点的子部位标签；对所述子部位标签进行标签映射，得到每个所述第二像素点的原始部位标签；将所述第一样本对象图像输入像素识别模型，得到每个所述第二像素点的第一样本部位标签；基于所述第一样本部位标签和所述原始部位标签训练所述像素识别模型，得到训练后的像素识别模型。3.根据权利要求2所述的方法，其特征在于，所述原始部位标签包括原始头部标签、原始上躯体标签和原始下躯体标签，所述第一样本部位标签包括样本头部标签、样本上躯体标签和样本下躯体标签；所述基于所述第一样本部位标签和所述原始部位标签训练所述像素识别模型，得到训练后的像素识别模型，包括：根据所述原始头部标签和所述样本头部标签计算得到第一损失数据；根据所述原始上躯体标签和所述样本上躯体标签计算得到第二损失数据；根据所述原始下躯体标签和所述样本下躯体标签计算得到第三损失数据；根据所述第一样本对象图像中所有第二像素点的总数量、所述第一损失数据、所述第二损失数据和所述第三损失数据训练所述像素识别模型，得到训练后的像素识别模型。4.根据权利要求1所述的方法，其特征在于，属性识别模型通过以下步骤训练：获取第二样本对象图像，将所述第二样本对象图像输入训练后的像素识别模型，得到所述第二样本对象图像中每个第三像素点对应的第二样本部位标签；根据所述第二样本部位标签的类别，对所述第二样本对象图像进行图像裁剪，得到样本子部位图像；将所述样本子部位图像输入属性识别模型，得到样本属性标签；根据所述样本子部位图像携带的掩码标签对所述样本属性标签进行筛选，得到预测属性标签；根据所述预测属性标签和所述样本子部位图像的原始属性标签训练所述属性识别模型，得到训练后的属性识别模型。5.根据权利要求4所述的方法，其特征在于，在所述根据所述样本子部位图像携带的掩码标签对所述样本属性标签进行筛选之前，所述方法还包括构建所述掩码标签，包括：
将所述属性识别模型对应的属性类型与所述原始属性标签进行匹配，得到匹配结果；若所述匹配结果表示所述属性类型与所述原始属性标签匹配，将预设的第一阈值作为所述属性类型的映射值；若所述匹配结果表示所述属性类型与所述原始属性标签不匹配，将预设的第二阈值作为映射值；根据所述映射值和所述属性类型构建所述掩码标签。6.根据权利要求5所述的方法，其特征在于，所述将所述属性识别模型对应的属性类型与所述原始属性标签进行匹配，得到匹配结果，包括：根据对象部位对所述属性类型进行分类，得到类型集；将所述原始属性标签与对应的所述类型集中的所述属性类型进行匹配，得到所述匹配...

【专利技术属性】
技术研发人员：杨金瑞，张恩伟，傅朝友，李珂，孙星，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：