[发明专利]基于动态拟合多任务推理网络的多行人识别方法及系统

说明书

本发明公开了基于动态拟合多任务推理网络的多行人识别方法及系统，包括：获取待识别的视频流，对待识别的视频帧进行解码生成待识别的视频帧序列；将待识别的视频帧序列，输入到训练后的动态拟合多任务推理神经网络，得到行人检测结果、行人属性识别结果和行人的重识别结果。采用多任务网络将行人检测、行人属性识别、行人重识别集成为一个端到端的神经网络，在多行人属性识别任务中，大大提高了检测速度。

技术领域

本发明涉及视频处理、人工智能、深度学习技术领域，特别是涉及基于动态拟合多任务推理网络的多行人识别方法及系统。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

近些年来，随着GPU等硬件设备的的发展，深度学习技术开始崛起。在众多之领域中，包括图像分类，图像分割，图像识语音识别等，深度神经网络都取得了目前最好的效果。然而随着实际应用中的需求越来越多元化，人们不单单满足于单纯的检测功能，多任务神经网络应运而生。在机器学习中，通常关心优化某一特定指标，不管这个指标是一个标准值，还是企业KPI。为了达到这个目标，训练单一模型或多个模型集合来完成指定得任务。然后，通过精细调参，来改进模型直至性能不再提升。

尽管这样做可以针对一个任务得到一个可接受得性能，但是可能忽略了一些信息，这些信息有助于在关心的指标上做得更好。具体来说，这些信息就是相关任务的监督数据。通过在相关任务间共享表示信息，模型在原始任务上泛化性能更好，这种方法称为多任务学习。

行人属性识别作为监控场景下的重要目标之一，对社区安防、人员监控等领域具有重要意义，除此之外，可以通过行人属性作为辅助信息用于描述社区居民人物识别，定位居民移动路径。在实际应用中，监控场景下的多行人属性识别需要配合行人检测和行人重识别。行人检测是人体属性识别的前提，行人重识别可以追踪行人轨迹，并且避免重复识别产生重复数据。当前的人体属性识别方案需要配合行人检测模型以及行人重识别模型才能完成针对监控场景中的多行人属性识别，最少需要经过三个模型处理，多次的特征提出，导致效率非常慢。

发明内容

为了解决现有技术的不足，本发明提供了基于动态拟合多任务推理网络的多行人识别方法及系统；通过多任务网络将行人检测、行人属性识别、行人重识别集成到一个端到端的单任务神经网络。提出特征再提取模块对行人属性特征和行人重识别特征进行再提取，提出动态拟合策略抑制多任务损失产生的强震荡，防止梯度爆炸。该方法大大地提高了监控场景下多行人属性识别的效率。

第一方面，本发明提供了基于动态拟合多任务推理网络的多行人识别方法；

基于动态拟合多任务推理网络的多行人识别方法，包括：

获取待识别的视频流，对待识别的视频帧进行解码生成待识别的视频帧序列；

将待识别的视频帧序列，输入到训练后的动态拟合多任务推理神经网络，得到行人检测结果、行人属性识别结果和行人的重识别结果。

第二方面，本发明提供了基于动态拟合多任务推理网络的多行人识别系统；

基于动态拟合多任务推理网络的多行人识别系统，包括：

获取模块，其被配置为：获取待识别的视频流，对待识别的视频帧进行解码生成待识别的视频帧序列；

多行人识别模块，其被配置为：将待识别的视频帧序列，输入到训练后的动态拟合多任务推理神经网络，得到行人检测结果、行人属性识别结果和行人的重识别结果。

第三方面，本发明还提供了一种电子设备，包括：

存储器，用于非暂时性存储计算机可读指令；以及

处理器，用于运行所述计算机可读指令，

其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。