[发明专利]一种骑行人头盔属性识别方法

说明书

本发明公开了一种骑行人头盔属性识别方法，属于图像处理技术领域。该方法包括以下步骤：S1、构建行人属性网络，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、合并交通方式属性和头盔属性，得到行人属性。通过本发明方法能够高效准确地识别出行人的交通方式和戴头盔的情况。

技术领域

本发明属于图像处理技术领域，具体地指一种骑行人头盔属性识别方法。

背景技术

为了提升摩托车骑乘人员和电动自行车骑乘人员的安全防护水平，需要对摩托车骑乘人员和电动自行车骑乘人员佩戴头盔情况进行监管。现有的监管方法一般为人工监管，既消耗人力，监管效率也比较低。

发明内容

为解决现有技术中人工监管骑乘人员佩戴头盔的方式既消耗人力，效率又低等问题，本发明提供一种骑行人头盔属性识别方法。

本发明采用的技术方案为：一种骑行人头盔属性识别方法，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。

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。

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。

所述全局网络包括依次连接的池化层、全连接层和softmax层。

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。

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。

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。

所述交通方式交叉熵损失和戴头盔交叉熵损失由公式