[发明专利]一种面向数据中心的人体行为属性实时检测方法和系统

权利要求书

1.一种面向数据中心的人体行为属性实时检测方法，其特征在于，包括以下步骤：

获取数据中心在不同环境下不同人体的属性识别数据集；

标注属性识别数据集中的人体目标框及属性标签，对标注完成后的数据集进行划分；

对划分后数据集图片首先采用拼接和裁切的方式进行预处理，然后将人体目标框与属性识别相结合构建人体属性识别一体化检测网络，通过改进一体化检测网络的人体属性损失函数对所述检测网络进行迁移学习训练；

将训练后的模型进行部署，实现在线推理与人体属性预测。

2.根据权利要求1所述的一种面向数据中心的人体行为属性实时检测方法，其特征在于，所述获取数据中心在不同环境下不同人体的属性识别数据集的方法为：

将采集到的不同环境下不同人体的视频数据转换为图像；

将所述图像制作成人体属性识别数据集，所述人体属性识别数据集包括属性类别和属性标签。

3.根据权利要求2所述的一种面向数据中心的人体行为属性实时检测方法，其特征在于，所述标注属性识别数据集中的人体目标框及属性标签，对标注完成后的数据集进行划分的方法为：

标注属性识别数据集中的人体目标框及属性标签，将所述数据集的训练部分、验证部分和测试部分按比例划分。

4.根据权利要求1所述的一种面向数据中心的人体行为属性实时检测方法，其特征在于，所述对划分后数据集图片首先采用拼接和裁切的方式进行预处理的过程为：

对数据集中待拼接的图片放置在拼接图中，并根据拼接线对超出拼接线的目标框进行裁剪。

5.根据权利要求1所述的一种面向数据中心的人体行为属性实时检测方法，其特征在于，所述一体化检测网络包括主干部分、颈部、头部和一体化输出；

所述主干部分采用轻量化的CSPNet；

所述颈部采用yolov5的颈部网络；

所述头部采用yolov5的头部网络，并输出不同类型的特征图；

所述一体化输出包括：边框坐标、置信度以及属性类别。

6.根据权利要求5所述的一种面向数据中心的人体行为属性实时检测方法，其特征在于，所述通过改进一体化检测网络的人体属性损失函数对所述检测网络进行迁移学习训练的过程为：通过调节正负样本对与损失函数贡献的大小优化一体化检测网络的人体属性损失函数。

7.根据权利要求6所述的一种面向数据中心的人体行为属性实时检测方法，其特征在于，所述一体化检测网络的人体属性损失函数表达式为：

其中，S²为feature map中网格的个数，B为Anchor box的个数，n为人体属性的个数；表示如果第i个网格中的第j个anchor负责预测物体则否则为0。p_ijk为真实值，p′_ijk为预测值。α_k为权重调节参数，α_k＝m_{k_positive}/m_{k_all}，其中m_{k_positive}为第k个属性中正样本的数量，m_{k_all}为第k个属性中总体样本的数量；

通过(1-α_k)权重参数降低正样本产生的损失，通过α_k提高负样本的对于损失的贡献。