[发明专利]一种基于多任务深度学习的行人属性识别方法

权利要求书

1.一种基于多任务深度学习的行人属性识别方法，其特征在于：包括如下步骤：

S1：获取多个点位、场景的监控视频，利用行人检测算法在监控视频检测出多姿态的行人样本图；

S2：对S1检测出的所述行人样本图进行重命名，并进行行人属性手工标注，划分训练集样本和测试集样本；

S3：针对任务的需求设计多任务行人属性识别网络；

S4:将所述步骤S2收集的所述训练集样本放入所述步骤S3所设计的所述多任务行人属性识别网络进行训练，得到多任务行人属性识别模型；

S5:对于所述测试集样本，利用所述步骤S4得到的所述多任务行人属性识别模型对其中每个图片输出其属于所有属性中所有类别的置信度。

2.根据权利要求1所述的方法，其特征在于：在所述步骤S5中，还包括按照类别置信度大小排序，得到所述测试集样本图片在所有属性中所属的类别。

3.根据权利要求1所述的方法，其特征在于：在所述步骤S2中，还包括对所述行人样本图中相同姿态下的行人样本进行筛选和过滤，对剩余行人样本进行人工标注，给出该剩余行人样本每个图片所有类别的标签。

4.根据权利要求3所述的方法，其特征在于：所述类别至少包括性别、年龄、发型、是否戴口罩、是否戴帽、是否背包、是否拎东西、上衣类型、下衣类型。

5.根据权利要求4所述的方法，其特征在于：对标注好的样本进行划分，随机选取其中20％的样本作为所述测试集样本，剩余的80％为所述训练集样本。

6.根据权利要求1所述的方法，其特征在于：所述多任务行人属性识别网络为多层深度神经网络结构。

7.根据权利要求6所述的方法，其特征在于：所述多层深度神经网络结构的输入层对应着多个行人属性输入数据向量，输出层每个节点对应着每个行人属性所述类别的预测。

8.根据权利要求7所述的方法，其特征在于：在预测过程中，学习属性间的相关性、属性的局部性及属性的全局性。

9.根据权利要求8所述的方法，其特征在于：所述属性间的相关性包括下衣属性，所述属性的局部性包括头部区域属性，所述属性的全局性包括全身区域属性。

10.根据权利要求9所述的方法，其特征在于：所述下衣属性为裙子，所述头部区域属性包括头发颜色、是否戴口罩，所述全身区域属性包括是否拎东西、是否背包。