[发明专利]一种骑行人头盔属性识别方法

权利要求书

1.一种骑行人头盔属性识别方法，其特征在于，包括以下步骤：

S1、构建行人属性网络，所述行人属性网络包括骨干网络和两个子任务网络，所述子任务网络包括全局网络和头部分割网络；

S2、将行人图片输入行人属性网络，通过全局网络得到交通方式属性概率向量，通过头部分割网络得到头盔属性概率向量；

S3、合并交通方式属性概率向量中最大值对应的交通方式属性和头盔属性概率向量中最大值对应的头盔属性，得到行人属性。

2.根据权利要求1所述的骑行人头盔属性识别方法，其特征在于，所述交通方式属性包括自行车、摩托车、电动自行车和步行；所述头盔属性包括戴头盔和未戴头盔；所述行人属性包括骑自行车戴头盔、骑摩托车戴头盔、骑电动自行车戴头盔、步行戴头盔、骑自行车未戴头盔、骑摩托车未戴头盔、骑电动车自行车未戴头盔和步行未戴头盔。

3.根据权利要求1所述的骑行人头盔属性识别方法，其特征在于，所述骨干网络采用ResNet；全局网络连接ResNet的conv5_x层；头部分割网络连接ResNet的conv3_x层。

4.根据权利要求1所述的骑行人头盔属性识别方法，其特征在于，所述全局网络包括依次连接的池化层、全连接层和softmax层。

5.根据权利要求1所述的骑行人头盔属性识别方法，其特征在于，所述头部分割网络包括依次连接的3×3卷积层、BN层、relu层、1×1卷积层、池化层、全连接层和softmax层。

6.根据权利要求4或5所述的骑行人头盔属性识别方法，其特征在于，所述softmax层按照公式P＝softmax(f)计算属性的概率向量；

其中，P为属性的概率向量，P＝(p₁,p₂,...p_c)^T，e为自然指数；f＝A_c×n·x，A_c×n为c行n列矩阵，c为属性分类的类别数，特征x＝(x₁,x₂,...,x_n)^T为n维列向量，f＝(f₁,f₂,...,f_c)^T。

7.根据权利要求1所述的骑行人头盔属性识别方法，其特征在于，所述行人属性网络的总损失函数表示为

loss_all＝loss₁+loss₂+loss_seg，

其中，loss₁为交通方式交叉熵损失，loss₂为戴头盔交叉熵损失，loss_seg为头部分割网络的损失。

8.根据权利要求7所述的骑行人头盔属性识别方法，其特征在于，所述交通方式交叉熵损失和戴头盔交叉熵损失由公式

计算表示，其中N代表训练集batch的大小，c属性分类的类别数，y_ic为标注的one-hot向量，p_ic为输出特征经过降维softmax计算得到的预测概率向量。

9.根据权利要求7所述的骑行人头盔属性识别方法，其特征在于，所述头部分割网络的损失函数为

其中，K为分割的部件的个数，为第k个部件内平均的交叉熵损失。

10.根据权利要求9所述的骑行人头盔属性识别方法，其特征在于，所述部件包括头和非头两个部件。