[发明专利]一种基于深度学习的属性分类识别方法

说明书

本发明公开了一种基于深度学习的属性分类识别方法，对于不同的深度学习模型，提出一种融合方法，探索了行人属性之间的上下文关系。首先输入的图像数据经过卷积神经网络，生成特征图，然后把属性向量化。设置一个权值参数，把融合之后的向量带入到权值函数进行迭代训练。通过调整权值参数的值，对两种模型的比重进行平衡。本发明的特点是考虑了行人属性之间的上下文关系，提高了分类的准确率，避免了行人属性分类准确率的两极分化。主要应用在监控摄像头中，对于过滤掉监控视频中的无用信息，快速识别出目标行人有着比较广泛的应用前景。

技术领域

本发明属于深度学习技术领域，更具体地，涉及一种基于深度学习的属性分类识别方法。

背景技术

随着网络直播、视频网站等媒体的进一步壮大和成熟，以及摄像头监控的逐步普及，视频信息呈现爆炸式的增加势头。为生活带来便利的同时，也为公安等监管部门追踪和识别犯罪嫌疑人带来了难度。

目前，对行人属性进行分类与识别，主要分为两种方向，基于非深度学习的算法以及基于深度学习的算法。

在深度学习应用到行人属性分类与识别之前，经典的机器学习算法，比如支持向量机(Support Vector Machine，SVM)算法，k最邻近分类算法(k-NearestNeighbor，kNN)和AdaBoost算法通常被认为是比较好的分类算法。

SVM算法可以解决小样本下机器学习的问题、非线性问题以及无局部极小值问题，可以很好的处理高维数据集，泛化能力比较强。但是，SVM算法对于核函数的高维映射解释力不强，尤其是径向基函数，而且，该算法对缺失数据敏感。kNN算法是一种在线技术，新数据可以直接加入数据集而不必进行重新训练，kNN算法理论简单，容易实现。但是，kNN算法对于样本容量大的数据集计算量比较大。样本不平衡时，预测偏差比较大。比如：某一类的样本比较少，而其他类样本比较多。kNN每一次分类都会重新进行一次全局运算，k值大小的选择对于最终结果也有影响。AdaBoost算法很好的利用了弱分类器进行级联，可以将不同的分类算法作为弱分类器。但是，AdaBoost迭代次数不太好设定，可以使用交叉验证来进行确定。数据不平衡导致分类精度下降，训练比较耗时，每次重新选择当前分类器最好分切点。

在基于深度学习的算法中，目前普遍采用的是用ZF-net结合Faster R-CNN的方法对行人属性进行分类与识别。其原理是：一张图片(可以任意尺寸)，输入到卷积神经网络中，经过卷积操作，生成特征图。之后，特征图输入到RPN网络中，经过卷积操作，生成RoI(感兴趣区域)。接下来，进入到Fast R-CNN网络。然后，有两个分支，一个是Reg层，用于回归，这一层主要在训练数据时使用。主要使用反向回归算法进行迭代训练。一个是Cls层，用于分类。整个训练和检测过程使用Caffe框架。该算法的缺点是，行人属性之间的关系被忽略了，而且属性分类准确率可能会出现两极分化的情况。

总之，目前的行人属性分类与识别算法大部分没有考虑属性之间的关系，导致最终的分类准确率较低。

发明内容

针对现有技术的以上缺陷或改进需求，本发明的目的在于提供了一种基于深度学习的属性分类识别方法，由此解决目前的行人属性分类与识别算法的分类准确率较低的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习的属性分类识别方法，包括：

(1)卷积神经网络对输入的图像数据进行处理分别得到第一特征向量与n个第二特征向量，其中，所述第一特征向量为n*1维的向量，每一维表示属性为正样本的概率，所述第二特征向量为2*1维的向量，表示属性为正/负样本的概率，n为属性类别的数量；

(2)将所述n个第二特征向量进行融合得到第三特征向量，其中，所述第三特征向量为n*1维的向量，每一维表示属性为正样本的概率；