[发明专利]一种基于视角自适应特征学习的行人性别识别方法

说明书

本发明涉及一种基于视角自适应特征学习的行人性别识别方法包括：视角自适应训练过程，性别识别过程。本发明利用输入行人的视角信息来指导卷积神经网络的特征学习过程，以减轻行人视角变化对神经网络进行性别识别的影响，使训练得到的网络模型具有更加准确的行人性别识别效果。本发明结合了行人的视角信息，解决了以往基于卷积神经网络用在行人性别识别问题上的不足，有效地提高了行人性别识别精度。本发明可以被广泛地应用在智能视频监控场景，例如大型商场，机场，火车站等。

技术领域

本发明涉及计算机视觉和模式识别，更具体地说，涉及一种基于视角自适应特征学习的行人性别识别方法。

背景技术

近年来，随着“智慧城市”积极推动以及交通监控需求增大，视频监控将逐步覆盖各种重要场所，例如大型商场，机场，火车站等。几千万摄像头将为城市公共安全提供基本保障。为满足智能安防，智慧交通和智能家居等多方面的需求，视频监控智能化急需一种在远距离、目标非配合状态下行人快速身份识别技术，使得在远距离条件下能够快速进行人员身份确认，实现智能管理。作为行人快速身份确认的重要辅助手段，行人性别识别是指在监控视频中识别出过往行人的性别，该技术在未来智能化视频监控系统中将发挥重要作用。

现有技术的行人性别识别方法主要基于手工特征进行行人性别识别，比如能够描述行人轮廓和形状的梯度直方图特征(HOG)以及能够刻画行人纹理细节的LBP特征等，但单一的手工特征提取方法的识别精度普遍不高。

随着深度学习的快速发展，卷积神经网络在行人性别识别任务上也得到了有效地应用，较手工特征获得更高的识别精度。但基于深度卷积神经网络的方法对行人视角变换比较敏感，例如当行人的视角发生改变时，卷积神经网络可能对某种视角的行人无法做出正确的性别识别。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于视角自适应特征学习的行人性别识别方法，有效地提高了行人性别识别精度。

本发明的技术方案如下：

一种基于视角自适应特征学习的行人性别识别方法，包括视角自适应训练过程、性别识别过程；

视角自适应训练过程步骤如下：

1.1)基础模型训练步骤：选取N张具有性别标签属性的训练图像，输入卷积神经网络中进行训练，直至卷积神经网络收敛，得到基础模型M；

1.2)视角影响分数计算步骤：把训练图像分为前向视角、背向视角和其他视角，分别输入基础模型M用于提取特征，根据提取的特征计算相应视角的平均影响分数；

1.3)视角微调步骤：利用各个视角的平均影响分数对基础模型M进行视角调整，直至模型收敛，得到特征提取模型P；

性别识别过程步骤如下：

2.1)将测试图像以及从步骤1.2)获得的平均影响分数输入特征提取模型P，经前向传播，获得视角自适应特征；

2.2)利用Softmax分类函数对视角自适应特征计算其性别概率，输出性别识别结果。

作为优选，基础模型训练步骤具体如下：

1.1.1)随机选取N张具有性别标签属性的训练图像；

1.1.2)将选取的训练图像输入卷积神经网络进行训练；

1.1.3)重复步骤1.1.1)、步骤1.1.2)，直到卷积神经网络收敛，得到基础模型M；

视角影响分数计算步骤具体如下：

1.2.1)将训练图像分为前向视角、背向视角和其他视角；