CN111753770A - 人物属性识别方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种用于人物属性识别方法、装置、设备和存储介质，涉及计算机视觉、图像处理、深度学习、云计算等领域。具体实现方案为：从连拍图像中确定人物图像；将人物图像输入至人物属性识别模型，得到人物图像对应的人物属性识别结果；人物属性识别模型对人物图像的处理包括：利用滤波卷积层对人物图像对应的第一特征信息进行卷积；利用尺寸压缩层对滤波卷积层输出的第二特征信息进行尺寸压缩；其中，人物属性识别模型通过对卷积神经网络进行训练得到，在训练过程中，滤波卷积层的卷积核参数不参与更新。本申请实施例可以提高在连拍图像中识别人物属性的准确性。

Description

人物属性识别方法、装置、电子设备和存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及计算机视觉、图像处理、深度学习、云计算等领域。

背景技术

随着互联网和人工智能技术的不断发展，计算机视觉技术已广泛应用在各种领域，其中包括监控领域。例如，在对公众场合进行监控时，可以利用监控装置拍摄的图像，分析行人信息，识别行人是否在禁烟区吸烟或识别行人衣着是否整齐等。相关技术中，对拍摄到的连续多个图像分别进行识别，得到针对各个图像的识别结果。

发明内容

本申请提供了一种用于人物属性识别方法、装置、电子设备和存储介质。

根据本申请的一方面，提供了一种人物属性识别方法，包括：

从连拍图像中确定人物图像；

将人物图像输入至人物属性识别模型，得到人物图像对应的人物属性识别结果；

人物属性识别模型包括滤波卷积层和尺寸压缩层，人物属性识别模型对人物图像的处理包括：

利用滤波卷积层对人物图像对应的第一特征信息进行卷积；

利用尺寸压缩层对滤波卷积层输出的第二特征信息进行尺寸压缩；

其中，人物属性识别模型通过对卷积神经网络进行训练得到，在训练过程中，滤波卷积层的卷积核参数不参与更新。

根据本申请的另一方面，提供了一种人物属性识别装置，包括：

确定模块，用于从连拍图像中确定人物图像；

识别模块，用于将人物图像输入至人物属性识别模型，得到人物图像对应的人物属性识别结果；

人物属性识别模型包括滤波卷积层和尺寸压缩层；

滤波卷积层用于对人物图像对应的第一特征信息进行卷积；

尺寸压缩层用于滤波卷积层输出的第二特征信息进行尺寸压缩；

其中，人物属性识别模型通过对卷积神经网络进行训练得到，在训练过程中，滤波卷积层的卷积核参数不参与更新。

根据本申请的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意实施例提供的方法。

根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请任意实施例提供的方法。

根据本申请的技术方案，由卷积神经网络训练得到的人物属性识别模型中包括滤波卷积层，在利用尺寸压缩层进行尺寸压缩之前，利用滤波卷积层对图像的特征信息进行卷积。由于滤波卷积层的卷积核参数在模型训练过程中不参与更新，因此，滤波卷积层能够对图像的特征信息进行滤波，使得图像中相邻位置的特征信息接近，减少尺寸压缩时丢失的信息。利用该人物属性识别模型识别连拍图像中的人物属性，可以解决连拍图像的识别结果抖动的问题，提高在连拍图像中识别人物属性的准确性。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请示例性实施例提供的人物属性识别方法的示意图；

图2是根据本申请示例性实施例的人物属性识别模型的示意图；

图3是根据本申请示例性实施例的人物属性识别模型的示意图；

图4是本申请示例性实施例提供的人物属性识别装置的示意图；

图5是本申请示例性实施例提供的人物属性识别装置的示意图；

图6是用来实现本申请实施例的人物属性识别方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了本申请示例性实施例提供的人物属性识别方法的示意图。该方法可以在客户端或云端运行。如图1所示，该方法包括：

步骤S11，从连拍图像中确定人物图像；

步骤S12，将人物图像输入至人物属性识别模型，得到人物图像对应的人物属性识别结果；其中，人物属性识别模型包括滤波卷积层和尺寸压缩层。

如图2所示，将人物图像输入至人物属性识别模型200后，人物属性识别模型200对人物图像的处理包括：利用滤波卷积层210对人物图像对应的第一特征信息进行卷积；利用尺寸压缩层220对滤波卷积层输出的第二特征信息进行尺寸压缩。

其中，人物属性识别模型200通过对卷积神经网络进行训练得到，在训练过程中，滤波卷积层210的卷积核参数不参与更新。

卷积神经网络包括至少一种网络层，如卷积层、跨步卷积层、批量归一化层、下采样层、全连接层等。在本申请实施例中，尺寸压缩层可以指对图像尺寸进行压缩的网络层，例如跨步卷积层或下采样层。滤波卷积层可以指在训练过程中卷积核参数不发生变化的网络层。

举例而言，如图3所示，基于残差网络resnet34框架的人物属性识别模型包括卷积(Convolution，conv)层10、下采样(Pooling，pool)层20、跨步卷积层30、全连接(FullyConnected，FC)层40等。图3中示出了下采样层和跨步卷积层进行尺寸压缩的标识“/2”，表示将输入信息的尺寸压缩一半。人物属性识别模型中，在每个下采样层20和每个跨步卷积层30前，还包括滤波卷积层50，滤波卷积层中的卷积核固定设置为3×3的滤波矩阵，例如

滤波卷积层采用固定的卷积核对图像的特征信息进行卷积，换句话说，采用固定的滤波器对图像的特征信息进行滤波，可以使图像模糊，相邻位置的特征信息更接近。本申请实施例将滤波卷积层设置在尺寸压缩层前，即使尺寸压缩层会压缩图像尺寸，但由于滤波卷积层使相邻位置的特征信息接近，因此，减少了丢失的信息。例如，下采样层在相邻的多个像素的特征信息中只保留其中一个像素的特征信息，由于被保留的像素的特征信息掺杂相邻像素的信息，因此，下采样层的处理不会使相邻像素的信息完全丢失。

本申请实施例中，人物属性识别方法用于从连拍图像中获得人物属性识别结果，其中，连拍图像可以包括连续拍摄的多个图像例如1秒内连续拍摄的5张图像，或者视频图像。连拍图像中拍摄时间相近的多个图像之间的区别往往在于部分特征信息的整体平移，例如在1s间先后拍摄的图像A和图像B中，包含同一个人物的图像，图像B相当于将图像A中的人物所在的像素的特征值整体移动1个或2个像素。

由于卷积神经网络中尺寸压缩层的存在，使得连拍图像对应的人物属性识别结果会发生抖动。例如，图像A中人物轮廓处的两个像素是左黑右白，由于轮廓平移，图像B中对应位置的两个像素均是黑色。由于下采样层丢失了其中左边的像素的特征信息，保留下来的右边的像素特征完全相反，因此，识别结果差别很大。而本申请实施例在下采样层前加入了滤波卷积层，使相邻像素的特征信息平滑、均衡，从而不会完全丢失相邻像素的信息。因此，使拍摄时间相近的图像的识别结果接近，防止识别结果抖动，提高在连拍图像中识别人物属性的准确性。

在本申请的一些实施例中，尺寸压缩层包括下采样层和/或跨步卷积层。

在下采样层和跨步卷积层前都设置滤波卷积层，可以大幅减少下采样和跨步卷积丢失的信息，提高识别准确性。

作为示例，连拍图像为视频监控装置采集的视频图像。其中，视频监控装置例如是在公共场合禁烟区设置的用于监控是否存在吸烟行为的视频监控装置，或者是在提供公共服务的场所设置的用于监控工作人员着装是否符合要求的视频监控装置。

示例性地，在上述实施例的步骤S11的一些可选实现方式中，从连拍图像中确定人物图像，可以包括：

将视频图像输入至人物检测模型，得到视频图像中的人物检测框；

将人物检测框中的图像确定为人物图像。

举例而言，可以将视频图像输入至基于YOLOv3框架的人物检测模型中，该模型可以输出人物检测框的位置信息(x,y,w,h)。其中，(x,y)为人物检测框的左上角在图像坐标系中的坐标，w为人物检测框的宽度，h为人物检测框的高度。利用人物检测框的位置信息(x,y,w,h)，可以从视频图像中截取出人物图像。

在上述示例性的实施方式中，在将视频图像输入至人物检测模型前，还可以对视频图像进行预定处理，包括将视频图像的尺寸调整至符合人物检测模型的输入要求。例如，在人物检测模型的输入尺寸为416×416或512×512的情况下，将视频图像的尺寸调整至416×416或512×512。

实际应用时，如果从一个视频图像中检测不到人物检测框，则停止对该视频图像的处理，获取下一个视频图像并从中检测人物检测框，以确定人物图像。如果从一个视频图像中检测出多个人物检测框，则将多个人物检测框中的图像确定为多个人物图像，针对多个人物图像中的每个人物图像，分别进行人物属性识别。

本申请实施例先利用人物检测模型得到人物检测框，基于人物检测框得到人物图像，再针对人物图像，利用人物属性识别模型得到人物属性识别结果。通过去除不相关的背景，针对人物图像进行属性识别，提高了人物属性识别的准确性。

示例性地，在将人物图像输入至人物属性识别模型之前，还可以对人物图像进行预定处理，包括将人物图像的尺寸调整至符合人物属性识别模型的输入要求、归一化人物图像等。

例如，在人物属性识别模型的输入尺寸为224×224的情况下，将人物图像的尺寸调整至224×224。然后，通过将人物图像中每个像素的特征值减去所有像素的特征值的均值例如0.485、0.456或0.406等，再除以所有像素的特征值的方差例如0.229、0.224或0.225等，实现归一化人物图像。

在一个示例性的实施例中，人物属性识别模型包括与至少一个人物属性中的每个人物属性分别对应的分类器；步骤S12，将人物图像输入至人物属性识别模型，得到人物图像对应的人物属性识别结果，可以包括：

将人物图像输入至人物属性识别模型；

针对每个人物属性，利用对应的分类器得到人物属性的分类结果和概率值，作为人物属性识别结果。

例如，人物属性识别模型可包括以下分类器中的一种或多种：

(1)性别对应的分类器。

(2)年龄对应的分类器；例如，将0-100岁的年龄划分为5个年龄阶段，使用五分类器，分类结果为5个年龄阶段之一。

(3)衣着类型对应的分类器；例如，使用二分类器，分类结果为裤子或裙子；又如，使用三分类器，分类结果为背心、长袖或短袖。

(4)衣着颜色对应的分类器；例如，使用五分类器，分类结果为黑、白、蓝、绿或红。

(5)人物做出的不符合规定的行为；其中，不符合规定的行为例如是在禁烟区吸烟、工作人员不穿着制服、在考场使用手机等。可以针对全部不符合规定的行为，使用一个二分类器，分类结果为是或否。也可以针对每一种行为，分别使用一个二分类器，例如针对吸烟和用手机分别设置一个分类器，分类结果为是或否。

(6)人物做出的危险行为，例如翻墙、跳跃等。可以针对全部危险行为，使用一个二分类器，分类结果为是或否。也可以针对每一种行为，分别使用一个二分类器，例如针对翻墙和跳跃分别设置一个分类器，分类结果为是或否。

(7)人物完整度，例如使用一个二分类器，分类结果为完整或不完整。如果是不完整，可以丢弃对应的人物图像的其他属性的分类结果。

本申请实施例中，针对多个人物属性分别设置分类器，人物属性识别模型输出多个人物属性分别对应的分类结果和概率值，提高人物属性识别模型的可拓展性，有利于将人物属性识别方法应用于更丰富的场景中，提高各场景下识别连拍图像的准确性。

在一个示例中，人物属性包括人物做出的不符合规定的行为和/或危险行为。识别出不符合规定的行为、危险行为，可以有利于监控管理人员及时对相关人员进行提醒，以减少不符合规定的行为和危险行为的发生次数。

根据本申请实施例的方法，由卷积神经网络训练得到的人物属性识别模型中包括滤波卷积层，在利用尺寸压缩层进行尺寸压缩之前，利用滤波卷积层对图像的特征信息进行卷积。由于滤波卷积层的卷积核参数在模型训练过程中不参与更新，因此，滤波卷积层能够对图像的特征信息进行滤波，使得图像中相邻位置的特征信息接近，减少尺寸压缩时丢失的信息。利用该人物属性识别模型识别连拍图像中的人物属性，可以解决连拍图像的识别结果抖动的问题，提高在连拍图像中识别人物属性的准确性。

图4示出了本申请示例性实施例提供的人物属性识别装置的示意图。

如图4所示，该装置包括：

确定模块410，用于从连拍图像中确定人物图像；

识别模块420，用于将人物图像输入至人物属性识别模型，得到人物图像对应的人物属性识别结果；

其中，人物属性识别模型包括滤波卷积层和尺寸压缩层；

滤波卷积层用于对人物图像对应的第一特征信息进行卷积；

尺寸压缩层用于滤波卷积层输出的第二特征信息进行尺寸压缩；

其中，人物属性识别模型通过对卷积神经网络进行训练得到，在训练过程中，滤波卷积层的卷积核参数不参与更新。

示例性地，尺寸压缩层包括下采样层和/或跨步卷积层。

示例性地，如图5所示，连拍图像为视频监控装置采集的视频图像；

确定模块410包括：

人物检测单元411，用于将视频图像输入至人物检测模型，得到视频图像中的人物检测框；

图像确定单元412，用于将人物检测框中的图像确定为人物图像。

示例性地，人物属性识别模型包括与至少一个人物属性中的每个人物属性分别对应的分类器；

如图5所示，识别模块420包括：

输入单元421，用于将人物图像输入至人物属性识别模型；

分类单元422，用于针对每个人物属性，利用对应的分类器得到人物属性的分类结果和概率值，作为人物属性识别结果。

示例性地，人物属性包括人物做出的不符合规定的行为和危险动作。

本申请实施例提供的人物属性识别装置，能够实现本申请实施例提供的人物属性识别方法，具备相应的有益效果。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的人物属性识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的人物属性识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的人物属性识别方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的人物属性识别方法对应的程序指令/模块(例如，附图4所示的确定模块410和识别模块420)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的人物属性识别方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据人物属性识别方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至人物属性识别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

人物属性识别方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与人物属性识别方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与虚拟专用服务器(VPS)服务中，存在的管理难度大，业务扩展性弱的缺陷。

根据本申请实施例的技术方案，由卷积神经网络训练得到的人物属性识别模型中包括滤波卷积层，在利用尺寸压缩层进行尺寸压缩之前，利用滤波卷积层对图像的特征信息进行卷积。由于滤波卷积层的卷积核参数在模型训练过程中不参与更新，因此，滤波卷积层能够对图像的特征信息进行滤波，使得图像中相邻位置的特征信息接近，减少尺寸压缩时丢失的信息。利用该人物属性识别模型识别连拍图像中的人物属性，可以解决连拍图像的识别结果抖动的问题，提高在连拍图像中识别人物属性的准确性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种人物属性识别方法，包括：

从连拍图像中确定人物图像；

将所述人物图像输入至人物属性识别模型，得到所述人物图像对应的人物属性识别结果；

所述人物属性识别模型包括滤波卷积层和尺寸压缩层，所述人物属性识别模型对所述人物图像的处理包括：

利用滤波卷积层对所述人物图像对应的第一特征信息进行卷积；

利用尺寸压缩层对所述滤波卷积层输出的第二特征信息进行尺寸压缩；

其中，所述人物属性识别模型通过对卷积神经网络进行训练得到，在训练过程中，所述滤波卷积层的卷积核参数不参与更新。

2.根据权利要求1所述的方法，其中，所述尺寸压缩层包括下采样层和/或跨步卷积层。

3.根据权利要求1所述的方法，其中，所述连拍图像为视频监控装置采集的视频图像；

所述从连拍图像中确定人物图像，包括：

将所述视频图像输入至人物检测模型，得到所述视频图像中的人物检测框；

将所述人物检测框中的图像确定为所述人物图像。

4.根据权利要求1至3中任一项所述的方法，其中，所述人物属性识别模型包括与至少一个人物属性中的每个人物属性分别对应的分类器；

所述将所述人物图像输入至人物属性识别模型，得到所述人物图像对应的人物属性识别结果，包括：

将所述人物图像输入至人物属性识别模型；

针对所述每个人物属性，利用对应的分类器得到所述人物属性的分类结果和概率值，作为所述人物属性识别结果。

5.根据权利要求4所述的方法，其中，所述人物属性包括人物做出的不符合规定的行为和/或危险行为。

6.一种人物属性识别装置，包括：

确定模块，用于从连拍图像中确定人物图像；

识别模块，用于将所述人物图像输入至人物属性识别模型，得到所述人物图像对应的人物属性识别结果；

所述人物属性识别模型包括滤波卷积层和尺寸压缩层；

所述滤波卷积层用于对所述人物图像对应的第一特征信息进行卷积；

所述尺寸压缩层用于所述滤波卷积层输出的第二特征信息进行尺寸压缩；

其中，所述人物属性识别模型通过对卷积神经网络进行训练得到，在训练过程中，所述滤波卷积层的卷积核参数不参与更新。

7.根据权利要求6所述的装置，其中，所述尺寸压缩层包括下采样层和/或跨步卷积层。

8.根据权利要求6所述的装置，其中，所述连拍图像为视频监控装置采集的视频图像；

所述确定模块包括：

人物检测单元，用于将所述视频图像输入至人物检测模型，得到所述视频图像中的人物检测框；

图像确定单元，用于将所述人物检测框中的图像确定为所述人物图像。

9.根据权利要求6至8中任一项所述的装置，其中，所述人物属性识别模型包括与至少一个人物属性中的每个人物属性分别对应的分类器；

所述识别模块包括：

输入单元，用于将所述人物图像输入至人物属性识别模型；

分类单元，用于针对所述每个人物属性，利用对应的分类器得到所述人物属性的分类结果和概率值，作为所述人物属性识别结果。

10.根据权利要求9所述的装置，其中，所述人物属性包括人物做出的不符合规定的行为和危险动作。

11.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

Images