CN112633119A - 一种人体属性识别方法、装置、电子设备及介质 - Google Patents
一种人体属性识别方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112633119A CN112633119A CN202011503078.7A CN202011503078A CN112633119A CN 112633119 A CN112633119 A CN 112633119A CN 202011503078 A CN202011503078 A CN 202011503078A CN 112633119 A CN112633119 A CN 112633119A
- Authority
- CN
- China
- Prior art keywords
- sub
- images
- human body
- attribute value
- attribute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例中提供了一种人体属性识别方法、装置、电子设备及介质,属于图像处理技术领域,具体包括:获取包含目标人员的目标图像;将所述目标图像划分为多个子图像,其中,全部所述子图像分别包含所述目标人员不同的人体特征图像;识别所述目标图像中的人体特征得到第一属性值,以及,识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值;将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果;输出所述识别结果。通过本公开的方案,分别识别目标图像整体,以及,针对目标图像划分的子图像进行单独识别,然后将识别结果比对,选取最符合的属性值作为识别结果,提高了识别效率和识别精准度。
Description
技术领域
本公开实施例涉及图像处理技术领域,尤其涉及一种人体属性识别方法、装置、电子设备及介质。
背景技术
目前,设置互联网的普及,越来越多的生活场景或者工作场景都变得越来越智能化,随着深度学习的发展,出现了很多基于深度学习的人体属性识别方法。但是现有的人体属性识别方法,大部分应用过程是选取监控获取的视频流或抓拍进行分析,由于是远距离拍摄以及分辨率较低,对于整体图像进行分析时,经常会造成误判,以及,在数据缺失的情况下,不能合理根据人体特征识别图像中包含的人体属性。
可见,亟需一种识别效率和识别精准度高的人体属性识别方法。
发明内容
有鉴于此,本公开实施例提供一种人体属性识别方法、装置、电子设备及介质,至少部分解决现有技术中识别效率和识别精准度低的问题。
第一方面,本公开实施例提供了一种人体属性识别方法,包括:
获取包含目标人员的目标图像;
将所述目标图像划分为多个子图像,其中,全部所述子图像分别包含所述目标人员不同的人体特征图像;
识别所述目标图像中的人体特征得到第一属性值,以及,识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值;
将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果;
输出所述识别结果。
根据本公开实施例的一种具体实现方式,所述获取包含目标人员的目标图像的步骤之前,所述方法还包括:
采集多张包含所述目标人员的初始图像;
选取包含所述目标人员的人体特征最多的初始图像作为所述目标图像。
根据本公开实施例的一种具体实现方式,所述识别所述目标图像中的特征得到第一属性值的步骤,包括:
将所述目标图像输入整体识别模型;
依次识别所述目标图像中包含的全部人体特征,输出所述第一属性值。
根据本公开实施例的一种具体实现方式,所述识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值的步骤,包括:
选取全部所述子图像对应的子识别模型;
将全部所述子图像输入其对应的所述子识别模型,将输出结果形成所述第二属性值。
根据本公开实施例的一种具体实现方式,所述将所述目标图像输入整体识别模型的步骤之前,所述方法还包括:
利用预设数量的样本图像训练卷积神经网络,得到所述识别模型;
所述选取全部所述子图像对应的子识别模型的步骤之前,所述方法还包括:
将全部所述样本图像根据所述人体特征划分为多个样本子图像;
将全部所述样本子图像分别对所述卷积神经网络进行训练,得到不同所述人体特征对应的所述子识别模型。
根据本公开实施例的一种具体实现方式,所述将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果的步骤,包括:
将所述第一属性值与所述第二属性值中对应的数据类型进行比对;
若所述第一属性值与所述第二属性值中对应的数据类型不同,则将所述第二属性值作为所述识别结果。
第二方面,本公开实施例提供了一种人体属性识别装置,包括:
获取模块,用于获取包含目标人员的目标图像;
划分模块,用于将所述目标图像划分为多个子图像,其中,全部所述子图像分别包含所述目标人员不同的人体特征图像;
识别模块,用于识别所述目标图像中的人体特征得到第一属性值,以及,识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值;
比对模块,用于将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果;
输出模块,用于输出所述识别结果。
根据本公开实施例的一种具体实现方式,所述比对模块还用于:
将所述第一属性值与所述第二属性值中对应的数据类型进行比对;
若所述第一属性值与所述第二属性值中对应的数据类型不同,则将所述第二属性值作为所述识别结果。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的人体属性识别方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态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该计算机执行前述第一方面或第一方面的任一实现方式中的人体属性识别方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的人体属性识别方法。
本公开实施例中的人体属性识别方案,包括:获取包含目标人员的目标图像;将所述目标图像划分为多个子图像,其中,全部所述子图像分别包含所述目标人员不同的人体特征图像;识别所述目标图像中的人体特征得到第一属性值,以及,识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值;将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果;输出所述识别结果。通过本公开的方案,分别识别目标图像整体,以及,针对目标图像划分的子图像进行单独识别,然后将识别结果比对,选取最符合的属性值作为识别结果,提高了识别效率和识别精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种人体属性识别方法的流程示意图;
图2为本公开实施例提供的一种人体属性识别方法涉及的一种具体实施方式示意图;
图3为本公开实施例提供的一种人体属性识别装置的结构示意图;
图4为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
目前,设置互联网的普及,越来越多的生活场景或者工作场景都变得越来越智能化,随着深度学习的发展,出现了很多基于深度学习的人体属性识别方法。但是现有的人体属性识别方法,大部分应用过程是选取监控获取的视频流或抓拍进行分析,由于是远距离拍摄以及分辨率较低,对于整体图像进行分析时,经常会造成误判,以及,在数据缺失的情况下,不能合理根据人体特征识别图像中包含的人体属性。本公开实施例提供一种人体属性识别方法,所述方法可以应用于商场、景区等公共场景中的人体属性识别过程。
参见图1,为本公开实施例提供的一种人体属性识别方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
S101,获取包含目标人员的目标图像;
电子设备可以内置有图像采集模块,或者有外接图像采集装置,所述图像采集模块或所述外接图像采集装置采集到包含所述目标人员的目标图像后,可以将所述目标图像发送至处理器进行分析处理。
S102,将所述目标图像划分为多个子图像,其中,全部所述子图像分别包含所述目标人员不同的人体特征图像;
具体实施时,若所述目标图像内包含所述目标人员的全身部位,则可以根据所述人体特征的将所述目标图像划分为包含头部图像的子图像、包含肩部图像的子图像、包含背部图像的子图像、包含腿部图像的子图像、包含手部图像的子图像以及包含脚部图像的子图像等。可以根据实际需要进行设定所述子图像的划分规则。
S103,识别所述目标图像中的人体特征得到第一属性值,以及,识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值;
电子设备获取到所述目标图像以及根据所述目标图像划分的所述子图像后,可以分别对所述目标图像和全部所述子图像进行识别,得到所述第一属性值与所述第二属性值。所述第一属性值和所述第二属性值均用于表示所述目标人员的人体属性例如性别、穿着等信息。
S104,将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果;
考虑到所述目标图像中包含的人体特征往往是多个,在进行整体识别的时候,容易出现误判或识别失败,可以综合所述第一属性值和全部所述第二属性值,从而所述目标人员对应的识别结果,提高了识别精度。
S105,输出所述识别结果。
获取到所述识别结果后,可以输出所述识别结果至管理终端或者进行内部存储。
本实施例提供了人体属性识别方法,通过分别识别目标图像整体,以及,针对目标图像划分的子图像进行单独识别,然后将识别结果比对,选取最符合的属性值作为识别结果,提高了识别效率和识别精准度。
在上述实施例的基础上,步骤S101所述的,获取包含目标人员的目标图像之前,所述方法还包括:
采集多张包含所述目标人员的初始图像;
具体实施时,考虑到所述目标人员会存在移动,可以预先通过所述图像采集模块或所述外接图像采集装置采集多张包含所述目标人员的初始图像。
选取包含所述目标人员的人体特征最多的初始图像作为所述目标图像。
在采集到多张所述初始图像后,可以先对全部所述初始图像进行分析,识别全部所述初始图像中的人体特征占比,然后选取包含所述目标人员的人体特征占比最多的所述初始图像作为所述目标图像。
在上述实施例的基础上,步骤S103所述的,识别所述目标图像中的特征得到第一属性值,包括:
将所述目标图像输入整体识别模型;
依次识别所述目标图像中包含的全部人体特征,输出所述第一属性值。
具体实施时,考虑到所述目标图像中往往包含多个不同人体特征,若统一进行识别,计算量会较大,而且容易识别出错。可以先将所述目标图像输入所述整体识别模型,然后根据所述整体识别模型的设置依次识别所述目标图像中包含的全部所述人体特征,然后输出识别后的所述第一属性。
进一步的,步骤S103所述的,识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值,包括:
选取全部所述子图像对应的子识别模型;
将全部所述子图像输入其对应的所述子识别模型,将输出结果形成所述第二属性值。
具体实施时,考虑到整体识别的效率以及识别精度较差,还可以选取全部所述子图像对应的子识别模型,然后将全部所述子图像输入其对应的所述子识别模型,将输出结果形成所述第二属性值。
例如,若是包含头部图像的子图像,同时选取所述包含头部图像的子图像对应的子识别模型进行输出识别,在进行单一人体特征的时候,识别效率和识别精度会大大提升。
在上述实施例的基础上,所述将所述目标图像输入整体识别模型的步骤之前,所述方法还包括:
利用预设数量的样本图像训练卷积神经网络,得到所述识别模型;
例如,利用100个测试人员的无遮挡的图像作为所述样本图像,然后用100个所述样本图像训练所述卷积神经网络,得到所述识别模块,当然,可以采用更多的样本图像进行训练,以提高所述识别模型的鲁棒性。
所述选取全部所述子图像对应的子识别模型的步骤之前,所述方法还包括:
将全部所述样本图像根据所述人体特征划分为多个样本子图像;
将全部所述样本子图像分别对所述卷积神经网络进行训练,得到不同所述人体特征对应的所述子识别模型。
具体实施时,可以将100个所述样本图像根据所述人体特征划分为包含头部图像的样本子图像、包含肩部图像的样本子图像、包含背部图像的样本子图像、包含腿部图像的样本子图像、包含手部图像的样本子图像以及包含脚部图像的样本子图像等。可以根据实际需要进行设定所述样本子图像的划分规则。然后将全部所述样本子图像根据类型的不同分类,然后分别对所述卷积神经网络进行训练,得到不同所述人体特征对应的所述子识别模型。通过训练不同人体特征对应的子识别模型,提高了识别精度。
在上述实施例的基础上,步骤S104所述的,将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果,包括:
将所述第一属性值与所述第二属性值中对应的数据类型进行比对;
若所述第一属性值与所述第二属性值中对应的数据类型不同,则将所述第二属性值作为所述识别结果。
例如,若所述第一属性值包括的数据类型有性别、帽子、背包、单肩包和上衣款式等,所述第二属性值包括的数据类型有性别和帽子,则将所述第一属性值内的性别和帽子对应的数据对所述第二属性值内的性别和帽子对应的数据进行比对,若第一属性值为性别女,帽子无,第二属性值为性别女,帽子有,则将所述第二属性值相关的数据类型作为所述识别结果。然后可以将所述第一属性值继续与其他的所述第二属性值进行比对,得到更精准的识别结果。
在一种具体实现方式中,所述人体属性识别方法如图2所示,对人体划分不同部位,针对整张图片提取特征与不同部分分别提取特征,最后是对任意输入的人体图片输出相对应的属性值。对人体划分不同部位指根据各种属性的关注部位不同将人体划分为若干部分。整体特征提取和部分特征提取是指,首先对整张图片进行提取公共特征,最后再根据各个属性的不同分别提取与之有关的部分特征。最后输出是通过输入一张人体图片,通过划分块,然后经过提取特征,得到该张图片所对应的各个人体特征对应的属性值。
与上面的方法实施例相对应,参见图3,本公开实施例还提供了一种人体属性识别装置30,包括:
获取模块301,用于获取包含目标人员的目标图像;
划分模块302,用于将所述目标图像划分为多个子图像,其中,全部所述子图像分别包含所述目标人员不同的人体特征图像;
识别模块303,用于识别所述目标图像中的人体特征得到第一属性值,以及,识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值;
比对模块304,用于将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果;
输出模块305,用于输出所述识别结果。
在上述实施例的基础上,所述比对模块305还用于:
将所述第一属性值与所述第二属性值中对应的数据类型进行比对;
若所述第一属性值与所述第二属性值中对应的数据类型不同,则将所述第二属性值作为所述识别结果。
图3所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图4,本公开实施例还提供了一种电子设备40,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的人体属性识别方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态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该计算机执行前述方法实施例中的人体属性识别方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的人体属性识别方法。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种人体属性识别方法,其特征在于,包括:
获取包含目标人员的目标图像;
将所述目标图像划分为多个子图像,其中,全部所述子图像分别包含所述目标人员不同的人体特征图像;
识别所述目标图像中的人体特征得到第一属性值,以及,识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值;
将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果;
输出所述识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取包含目标人员的目标图像的步骤之前,所述方法还包括:
采集多张包含所述目标人员的初始图像;
选取包含所述目标人员的人体特征最多的初始图像作为所述目标图像。
3.根据权利要求1所述的方法,其特征在于,所述识别所述目标图像中的特征得到第一属性值的步骤,包括:
将所述目标图像输入整体识别模型;
依次识别所述目标图像中包含的全部人体特征,输出所述第一属性值。
4.根据权利要求3所述的方法,其特征在于,所述识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值的步骤,包括:
选取全部所述子图像对应的子识别模型;
将全部所述子图像输入其对应的所述子识别模型,将输出结果形成所述第二属性值。
5.根据权利要求4所述的方法,其特征在于,所述将所述目标图像输入整体识别模型的步骤之前,所述方法还包括:
利用预设数量的样本图像训练卷积神经网络,得到所述识别模型;
所述选取全部所述子图像对应的子识别模型的步骤之前,所述方法还包括:
将全部所述样本图像根据所述人体特征划分为多个样本子图像;
将全部所述样本子图像分别对所述卷积神经网络进行训练,得到不同所述人体特征对应的所述子识别模型。
6.根据权利要求1所述的方法,其特征在于,所述将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果的步骤,包括:
将所述第一属性值与所述第二属性值中对应的数据类型进行比对;
若所述第一属性值与所述第二属性值中对应的数据类型不同,则将所述第二属性值作为所述识别结果。
7.一种人体属性识别装置,其特征在于,包括:
获取模块,用于获取包含目标人员的目标图像;
划分模块,用于将所述目标图像划分为多个子图像,其中,全部所述子图像分别包含所述目标人员不同的人体特征图像;
识别模块,用于识别所述目标图像中的人体特征得到第一属性值,以及,识别全部所述子图像中的人体特征得到全部所述子图像分别对应的第二属性值;
比对模块,用于将所述第一属性值与全部所述第二属性值进行比对,得到所述目标人员对应的识别结果;
输出模块,用于输出所述识别结果。
8.根据权利要求7所述的装置,其特征在于,所述比对模块还用于:
将所述第一属性值与所述第二属性值中对应的数据类型进行比对;
若所述第一属性值与所述第二属性值中对应的数据类型不同,则将所述第二属性值作为所述识别结果。
9.一种电子设备,其特征在于,所述电子设备包括:
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前述权利要求1-6中任一项所述的人体属性识别方法。
10.一种非暂态计算机可读存储介质,该非暂态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该计算机执行前述权利要求1-6中任一项所述的人体属性识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503078.7A CN112633119A (zh) | 2020-12-17 | 2020-12-17 | 一种人体属性识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503078.7A CN112633119A (zh) | 2020-12-17 | 2020-12-17 | 一种人体属性识别方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633119A true CN112633119A (zh) | 2021-04-09 |
Family
ID=75316919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011503078.7A Pending CN112633119A (zh) | 2020-12-17 | 2020-12-17 | 一种人体属性识别方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633119A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017107957A1 (zh) * | 2015-12-22 | 2017-06-29 | 中兴通讯股份有限公司 | 人脸图像的检索方法及装置 |
CN110175595A (zh) * | 2019-05-31 | 2019-08-27 | 北京金山云网络技术有限公司 | 人体属性识别方法、识别模型训练方法及装置 |
CN110472611A (zh) * | 2019-08-21 | 2019-11-19 | 图谱未来(南京)人工智能研究院有限公司 | 人物属性识别的方法、装置、电子设备及可读存储介质 |
WO2020015752A1 (zh) * | 2018-07-20 | 2020-01-23 | 华为技术有限公司 | 一种对象属性识别方法、装置、计算设备及系统 |
CN110991380A (zh) * | 2019-12-11 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 人体属性识别方法、装置、电子设备以及存储介质 |
CN111274945A (zh) * | 2020-01-19 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种行人属性的识别方法、装置、电子设备和存储介质 |
CN111368685A (zh) * | 2020-02-27 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 关键点的识别方法、装置、可读介质和电子设备 |
CN111369427A (zh) * | 2020-03-06 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、可读介质和电子设备 |
US20200356767A1 (en) * | 2018-05-30 | 2020-11-12 | Tencent Technology (Shenzhen) Company Limited | Human body attribute recognition method, apparatus, and device and medium |
-
2020
- 2020-12-17 CN CN202011503078.7A patent/CN112633119A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017107957A1 (zh) * | 2015-12-22 | 2017-06-29 | 中兴通讯股份有限公司 | 人脸图像的检索方法及装置 |
US20200356767A1 (en) * | 2018-05-30 | 2020-11-12 | Tencent Technology (Shenzhen) Company Limited | Human body attribute recognition method, apparatus, and device and medium |
WO2020015752A1 (zh) * | 2018-07-20 | 2020-01-23 | 华为技术有限公司 | 一种对象属性识别方法、装置、计算设备及系统 |
CN110175595A (zh) * | 2019-05-31 | 2019-08-27 | 北京金山云网络技术有限公司 | 人体属性识别方法、识别模型训练方法及装置 |
CN110472611A (zh) * | 2019-08-21 | 2019-11-19 | 图谱未来(南京)人工智能研究院有限公司 | 人物属性识别的方法、装置、电子设备及可读存储介质 |
CN110991380A (zh) * | 2019-12-11 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 人体属性识别方法、装置、电子设备以及存储介质 |
CN111274945A (zh) * | 2020-01-19 | 2020-06-12 | 北京百度网讯科技有限公司 | 一种行人属性的识别方法、装置、电子设备和存储介质 |
CN111368685A (zh) * | 2020-02-27 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 关键点的识别方法、装置、可读介质和电子设备 |
CN111369427A (zh) * | 2020-03-06 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、可读介质和电子设备 |
Non-Patent Citations (7)
Title |
---|
KAI HAN 等: "Attribute Aware Pooling for Pedestrian Attribute Recognition", 《IJCAI\'19: PROCEEDINGS OF THE 28TH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCEA》, 10 August 2019 (2019-08-10), pages 2456 * |
ZHANG NING 等: "PANDA: Pose Aligned Networks for Deep Attribute Modeling", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 25 September 2014 (2014-09-25), pages 1637 - 1644 * |
孙志勇 等: "基于动态多任务平衡方法的行人属性识别深度学习网络", 《计算机辅助设计与图形学学报》, vol. 31, no. 12, 15 December 2019 (2019-12-15), pages 2144 - 2151 * |
纪清晨: "基于深度学习的行人属性识别研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 01, 15 January 2020 (2020-01-15), pages 138 - 2244 * |
邹涵江: "行人检测与属性精细化识别算法的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 01, 15 January 2020 (2020-01-15), pages 138 - 1781 * |
郭志影: "基于深度学习的室外监控场景下行人属性识别", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 10, 15 October 2018 (2018-10-15), pages 138 - 487 * |
陶飞 等: "基于姿态与并行化属性学习的行人再识别方法", 《计算机工程》, vol. 46, no. 03, 21 April 2020 (2020-04-21), pages 246 - 253 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101305B (zh) | 多路图像处理方法、装置及电子设备 | |
CN112507806B (zh) | 智慧课堂信息交互方法、装置及电子设备 | |
CN110619314A (zh) | 安全帽检测方法、装置及电子设备 | |
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
JP2023547917A (ja) | 画像分割方法、装置、機器および記憶媒体 | |
CN111582090A (zh) | 人脸识别方法、装置及电子设备 | |
CN111078940B (zh) | 图像处理方法、装置、计算机存储介质及电子设备 | |
CN109815448B (zh) | 幻灯片生成方法及装置 | |
CN110347875B (zh) | 一种视频场景分类方法、装置、移动终端及存储介质 | |
CN110287816B (zh) | 车门动作检测方法、装置和计算机可读存储介质 | |
CN112487883A (zh) | 智能笔书写行为特征分析方法、装置及电子设备 | |
CN111738316A (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN114943006A (zh) | 歌单展示信息生成方法、装置、电子设备及存储介质 | |
CN112990176B (zh) | 书写质量评价方法、装置和电子设备 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN110826619A (zh) | 电子卷宗的文件分类方法、装置及电子设备 | |
CN112487871B (zh) | 笔迹数据处理方法、装置及电子设备 | |
CN112734631A (zh) | 基于微调模型的视频图像换脸方法、装置、设备及介质 | |
CN112487876A (zh) | 智能笔字符识别方法、装置及电子设备 | |
CN112486337A (zh) | 笔迹图形分析方法、装置及电子设备 | |
CN109871465B (zh) | 一种时间轴计算方法、装置、电子设备及存储介质 | |
CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
CN110852042A (zh) | 字符类型转换方法和装置 | |
CN110555861A (zh) | 光流计算方法、装置及电子设备 | |
CN112990017B (zh) | 一种智慧城市大数据分析方法及监控系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |