[發明專利]行人屬性分類方法、裝置、電子設備及存儲介質

有效

• 申請號: 202110368200.2
• 申請日: 2021-04-06
• 公開（公告）號: CN113159144B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 趙瑞林;周有喜
• 申請（專利權）人: 新疆愛華盈通信息技術有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V40/10;G06V10/80;G06V10/82;G06N3/0464;G06N3/08;G06T7/11
• 代理公司: 深圳市嘉勤知識產權代理有限公司 44651
• 代理人: 何龍其

本申請公開一種行人屬性分類方法、裝置、電子設備及存儲介質，方法包括：獲取待分類圖像；將待分類圖像輸入預先訓練的屬性分類模型進行屬性分類，得到對待分類圖像的屬性分類結果；預先訓練的屬性分類模型的訓練步驟包括：建立原始屬性分類模型，并獲取樣本數據；對樣本數據進行人體層次結構劃分，得到不同層次的人體圖像劃分結果；獲取不同層次的人體圖像劃分結果中，人體相鄰各部位特征流的聯系；利用人體圖像劃分結果，以及人體各部位特征流的聯系，將樣本數據進行分割，得到不同層次的樣本分割圖像；利用不同層次的樣本分割圖像訓練原始屬性分類模型，得到屬性分類模型；本申請可以降低行人屬性分類時，混淆及誤判的幾率。

技術領域

本申請涉及機器視覺技術領域，具體涉及一種行人屬性分類方法、裝置、電子設備及存儲介質。

背景技術

機器視覺是人工智能正在快速發展的一個分支。簡單說來，機器視覺就是用機器代替人眼來做測量和判斷。而識別行人屬性是機器視覺的一項重要任務，在眾多現實環境中起著重要作用。

現有的對行人屬性進行分類的方法，普遍采用通用場景的多標簽分類方法，首先給包含人體的圖像進行多類別屬性標簽標注，之后整圖送入深度神經卷積網絡提取特征，接著利用多標簽損失對分類模型進行多標簽分類學習，得到能夠識別人體屬性的分類模型。

但是現有技術的行人屬性分類的方法，是基于整張圖片對人體進行屬性分類，過分注重對進行特征提取的深度神經卷積網絡進行優化，這會導致整圖分類結果易受背景雜物、物體遮擋等影響，從而增加行人屬性分類時，混淆及誤判的幾率。

發明內容

基于此，為了解決或改善現有技術的問題，本申請提供一種行人屬性分類方法、裝置、電子設備及存儲介質，可以降低行人屬性分類時，混淆及誤判的幾率。

本申請第一方面提供一種行人屬性分類方法，包括：獲取待分類圖像；將所述待分類圖像輸入預先訓練的屬性分類模型進行屬性分類，得到對所述待分類圖像的屬性分類結果；所述預先訓練的屬性分類模型的訓練步驟包括：建立原始屬性分類模型，并獲取樣本數據；對所述樣本數據進行人體層次結構劃分，得到不同層次的人體圖像劃分結果；獲取不同層次的人體圖像劃分結果中，人體相鄰各部位特征流的聯系；利用所述人體圖像劃分結果，以及所述人體各部位特征流的聯系，將所述樣本數據進行分割，得到不同層次的樣本分割圖像；利用不同層次的樣本分割圖像訓練所述原始屬性分類模型，得到用于將待分類圖像進行不同層次的屬性識分類的屬性分類模型；將所述待分類圖像輸入預先訓練的屬性分類模型對所述待分類圖像進行分類的步驟包括：將所述待分類圖像進行人體層次結構劃分，得到不同層次的人體圖像劃分結果；獲取不同層次的人體圖像劃分結果中，人體相鄰各部位特征流的聯系；利用所述人體圖像劃分結果，以及所述人體各部位特征流的聯系，將所述待分類圖像進行分割，得到人體圖像不同層次的分割圖像；對不同層次的分割圖像進行屬性分類，得到屬性分類結果。

其中，在利用不同層次的樣本分割圖像訓練所述原始屬性分類模型時，所述預先訓練的屬性分類模型的訓練步驟還包括：獲取所述樣本數據內人體的全身圖像；將所述全身圖像及所述分割圖像進行相互監督學習，直至所述相互監督學習的次數達到第一預定次數。

其中，所述將所述全身圖像及所述分割圖像進行相互監督學習，包括：利用相鄰所述分割圖像之間的特征流的聯系，將相鄰所述分割圖像進行融合，得到人體的融合驗證圖像；利用所述融合驗證圖像驗證及修正所述全身圖像；將所述全身圖像按照相鄰所述分割圖像之間的特征流的聯系進行分割，得到分割驗證圖像；利用所述分割驗證圖像驗證及修正所述分割圖像。

其中，在利用不同層次的樣本分割圖像訓練所述原始屬性分類模型時，所述預先訓練的屬性分類模型的訓練步驟還包括：將所述全身圖像、所述分割圖像各自進行自監督學習，直至所述自監督學習的次數達到第二預定次數。