行人属性识别方法及装置、存储介质、电子装置与流程

本发明涉及计算机视觉领域，具体而言，涉及一种行人属性识别方法及装置、存储介质、电子装置。
背景技术：
：行人作为监控视频中的重要目标之一，对行人进行外观的分析成为构建智能监控系统的关键，高效地识别行人的属性比如，性别、年龄、附属物和衣物祥式等作为视频结构化分析和智能监控中的重要一环，已成为一项行人视觉分析的基础任务，被广泛应用于人机交互和图像检索等领城。行人属性识别方法中大多都单独分析每一个属性，忽略了属性之间的相关性比如，性别和头发长度、上身和下身衣着的搭配关系等，因此难以将属性间的关系应用于属性识别的推理预测中。针对相关技术中，行人属性识别方法直接根据模型的预测得出最终的属性识别结果，造成预测结果不准确的问题，目前尚未存在有效的解决方案。技术实现要素：本发明实施例提供了一种行人属性识别方法及装置、存储介质、电子装置，以至少解决相关技术中行人属性识别方法直接根据模型的预测得出最终的属性识别结果，造成预测结果不准确的问题。根据本发明的一个实施例，提供了一种行人属性识别方法，包括：根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，其中，所述训练集包括：行人属性的样本数据，所述条件概率包括：所述属性对的第一属性在预设条件下时所述属性对的第二属性出现和不出现的概率；根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率，其中，所述推测概率包括：通过所述第一属性的预测概率确定所述样本数据中出现或者不出现第二属性的概率，所述预测概率包括：根据所述初始置信度确定的所述第一属性出现和不出现的概率，所述初始置信度是根据预设学习模型对所述多个属性出现和不出现在样本数据中的初始预测结果；根据所述属性对的推测概率更新所述初始置信度之后对行人属性进行判别，根据本发明的另一个实施例，提供了一种行人属性识别装置，包括：第一确定模块，用于根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，其中，所述训练集包括：行人属性的样本数据，所述条件概率包括：所述属性对的第一属性在预设条件下时所述属性对的第二属性出现和不出现的概率；第二确定模块，用于根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率，其中，所述推测概率包括：通过所述第一属性的预测概率确定所述样本数据中出现或者不出现第二属性的概率，所述预测概率包括：根据所述初始置信度确定的所述第一属性出现和不出现的概率，所述初始置信度是根据预设学习模型对所述多个属性出现和不出现在样本数据中的初始预测结果；判别模块，用于根据所述属性对的推测概率更新所述初始置信度之后对行人属性进行判别。根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。通过本发明，由于根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，再根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率。从而根据所述属性的推测概率更新初始置信度之后再对行人属性进行判断。因此，可以解决行人属性识别方法直接根据模型的预测得出最终的属性识别结果，造成预测结果不准确的问题，达到利用不同行人属性对之间的相关性，对行人属性的置信度进行重新打分，得到更加合理的属性置信度的效果。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是本发明实施例的行人属性识别方法的移动终端的硬件结构框图；图2是根据本发明可选实施例的行人属性识别方法的流程示意图；图3是根据本发明可选实施例的行人属性识别装置的结构框图；图4是根据本发明可选实施例的行人属性识别的流程图。具体实施方式下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。实施例1本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种行人属性识别方法的移动终端的硬件结构框图。如图1所示，移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的行人属性识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。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。传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。在本实施例中提供了一种运行于上述移动终端的行人属性识别方法，图2是根据本发明实施例的行人属性识别方法的流程图，如图2所示，该流程包括如下步骤：步骤s202，根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，其中，所述训练集包括：行人属性的样本数据，所述条件概率包括：所述属性对的第一属性在预设条件下时所述属性对的第二属性出现和不出现的概率；步骤s204，根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率，其中，所述推测概率包括：通过所述第一属性的预测概率确定所述样本数据中出现或者不出现第二属性的概率，所述预测概率包括：根据所述初始置信度确定的所述第一属性出现和不出现的概率，所述初始置信度是根据预设学习模型对所述多个属性出现和不出现在样本数据中的初始预测结果；步骤s206，根据所述属性对的推测概率更新所述初始置信度之后对行人属性进行判别。根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，在对行人属性预测之前考虑属性的先验分布。根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率。根据属性的推测概率重新对初始置信度进行打分后更新所述初始置信度再对行人属性进行判别。需要注意的是，所述属性对的第一属性在预设条件下时所述属性对的第二属性出现和不出现的概率是指第一属性在特定的预设条件下时所述第二属性出现和不出现的概率，比如，当第一属性是指行人的性别属性，第二属性是行人的长头发属性，当第一属性为女性属性时，根据先验分布概率可知出现第二属性的概率要大于不出现第二属性的概率。通过上述步骤，由于根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，再根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率。从而根据所述属性的推测概率更新初始置信度之后再对行人属性进行判断。因此，可以解决行人属性识别方法直接根据模型的预测得出最终的属性识别结果，造成预测结果不准确的问题，达到利用不同行人属性对之间的相关性，对行人属性的置信度进行重新打分，得到更加合理的属性置信度的效果。根据所述属性对的推测概率更新所述初始置信度，包括：根据所述属性对的推测概率重新分配所述初始置信度中第二属性出现的权重和第二属性不出现的权重；根据所述第二属性出现的权重和第二属性不出现的权重更新所述初始置信度。即将计算得到的所有属性对之间的推测概率作为打分根据，根据预设计算公式为模型最初预测的属性置信度进行打分，以进行最终的预测。根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，包括：根据训练集中出现所述第一属性的样本数据中多个属性之间的相关性分布情况确定所述第二属性出现和不出现的数目；根据训练集中不出现所述第一属性的样本数据中多个属性之间的相关性分布情况确定所述第二属性出现和不出现的数目；根据所述第二属性出现和不出现的数目确定属性对的条件概率。即根据训练集的样本属性分布情况，统计不同属性对间的条件分布情况，通过统计训练数据中的属性分布，计算所有属性对之间的条件概率。根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率，包括：根据所述初始置信度确定所述第一属性出现的概率和所述第一属性不出现的概率；根据所述第一属性出现的概率确定在所述样本数据中第二属性出现的条件概率；根据所述第一属性不出现的概率确定在所述样本数据中第二属性出现的条件概率；根据所述样本数据中第二属性出现的条件概率，确定所述属性对的推测概率。在原始预测置信度的基础上，计算属性对之间的推测概率。根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率，包括：根据所述初始置信度确定所述第一属性出现的概率和所述第一属性不出现的概率；根据所述第一属性不出现的概率确定在所述样本数据中所述第二属性不出现的条件概率；根据所述第一属性出现的概率确定在所述样本数据中所述第二属性不出现的条件概率；根据所述样本数据中第二属性不出现的条件概率，确定所述属性对的推测概率。在原始预测置信度的基础上，计算属性对之间的推测概率。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。实施例2在本实施例中还提供了一种行人属性识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图3是根据本发明实施例的行人属性识别装置的结构框图，如图3所示，该装置包括第一确定模块30，用于根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，其中，所述训练集包括：行人属性的样本数据，所述条件概率包括：所述属性对的第一属性在预设条件下时所述属性对的第二属性出现和不出现的概率；第二确定模块32，用于根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率，其中，所述推测概率包括：通过所述第一属性的预测概率确定所述样本数据中出现或者不出现第二属性的概率，所述预测概率包括：根据所述初始置信度确定的所述第一属性出现和不出现的概率，所述初始置信度是根据预设学习模型对所述多个属性出现和不出现在样本数据中的初始预测结果；判别模块34，用于根据所述属性对的推测概率更新所述初始置信度之后对行人属性进行判别。根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，在对行人属性预测之前考虑属性的先验分布。根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率。根据属性的推测概率重新对初始置信度进行打分后更新所述初始置信度再对行人属性进行判别。需要注意的是，所述属性对的第一属性在预设条件下时所述属性对的第二属性出现和不出现的概率是指第一属性在特定的预设条件下时所述第二属性出现和不出现的概率，比如，当第一属性是指行人的性别属性，第二属性是行人的长头发属性，当第一属性为女性属性时，根据先验分布概率可知出现第二属性的概率要大于不出现第二属性的概率。通过上述模块，由于根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，再根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率。从而根据所述属性的推测概率更新初始置信度之后再对行人属性进行判断。因此，可以解决行人属性识别方法直接根据模型的预测得出最终的属性识别结果，造成预测结果不准确的问题，达到利用不同行人属性对之间的相关性，对行人属性的置信度进行重新打分，得到更加合理的属性置信度的效果。所述第一确定模块30，用于根据训练集中出现所述第一属性的样本数据中多个属性之间的相关性分布情况确定所述第二属性出现和不出现的数目；根据训练集中不出现所述第一属性的样本数据中多个属性之间的相关性分布情况确定所述第二属性出现和不出现的数目；根据所述第二属性出现和不出现的数目确定属性对的条件概率。即根据训练集的样本属性分布情况，统计不同属性对间的条件分布情况，通过统计训练数据中的属性分布，计算所有属性对之间的条件概率。所述第二确定模块32用于根据所述初始置信度确定所述第一属性出现的概率和所述第一属性不出现的概率；根据所述第一属性出现的概率确定在所述样本数据中第二属性出现的条件概率；根据所述第一属性不出现的概率确定在所述样本数据中第二属性出现的条件概率；根据所述样本数据中第二属性出现的条件概率，确定所述属性对的推测概率；根据所述第一属性出现的概率确定在所述样本数据中第二属性出现的条件概率；根据所述第一属性不出现的概率确定在所述样本数据中第二属性出现的条件概率；根据所述样本数据中第二属性出现的条件概率，确定所述属性对的推测概率。在原始预测置信度的基础上，计算属性对之间的推测概率。需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。为了更好的理解上流程，以下结合优选实施例对上述技术方案进行解释说明，但不用于限定本发明实施例的技术方案。如图4所示，是本申请实施例中的行人属性识别方法流程示意图，包括：步骤s400，根据训练样本，统计属性的数据分布。统计属性间的相关性，根据训练集的样本属性分布情况，统计不同属性对间的条件分布情况。统计得到的符号记录与符号含义如下表1所示。表1符号记录符号含义mi，pos训练集中属性i的正样本数目(即属性i可见的数目)mi，neg训练集中属性i的负样本数目(即属性i不可见的数目)m(i，pos)|(j，pos)属性j出现的样本中，属性i出现的数目m(i，pos)|(j，neg)属性j不出现的样本中，属性i出现的数目m(i，neg)|(j，pos)属性j出现的样本中，属性i不出现的数目m(i，neg)|(j，neg)属性j不出现的样本中，属性i不出现的数目步骤s402，计算所有属性对的条件概率。对于整个训练集，存在多种条件分布概率。对于整个训练集，存在四种条件分布概率，为如下表2所示。表2步骤s404，根据原始模型，得出属性的原始置信度。根据原始模型对属性的预测结果得出属性的原始置信度。具体而言，根据已经训练好的模型，输入图片，做前向推理，得出样本的初始置信度p(ae，j)＝ce，i，s,其中e＝1，...，t，表示测试样本，t表示测试样本数目，s∈{a，o}表示属性i的状态，即{出现，不出现}。步骤s406，根据贝叶斯公式，计算每个属性对间的推测概率。具体而言，对于所有的属性对，根据贝叶斯公式，计算属性对之间的分布约束关系。对于样本e的属性i和属性j，根据先验条件分布关系，另表示根据样本e中属性j的预测概率所推测出样本e出现属性i的概率。进一步，若公式中分母为0，则将分母为0的项直接置为0。同样的方式，可得到pj′(oe，i)，表示根据样本e中属性j的预测概率所推测出样本e不出现属性i的概率。同理，可以计算所有属性对之间的推测概率。步骤s408，为属性的置信度打分，经softmax得出新的置信度。具体而言，根据第3步中计算得到的推测概率，为模型原始预测的置信度进行打分。对于置信度ce，i，s，重新为其打分，得到新的置信度。打分方式如公式(1)和(2)所示：最终根据以公式(3)和(4)更新置信度，最终，以更新后的置信度对属性进行判别。上述的方法中，假设有十个训练样本，以其中两个属性，即属性i和属性j为例进行说明。属性i可见则标签为1，不可见则标签为0。如下标为训练集的属性i和属性j的分布情况。样本属性i属性j1112013114005106117118109001000其中，对于测试样本e，假设模型对其出现属性i的预测概率为0.5，不出现属性i的概率为0.5，且对属性j的预测置信度出现属性i和不出现属性i的置信度也均为0.5，则得到：则由属性j为属性i的置信度打分，由公式可知，属性最终得到的属性i的置信度为(0.525,0.475)，相比于原始的(0.5，0.5)的置信度，更加符合属性i的分布可能性。以上仅通过属性j对属性i的置信度进行更新，而行人属性学习一般需要预测高达几十种属性，利用不同属性对之间的相关性，对属性的置信度进行打分，能得到更加合理的属性置信度。本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：s1，根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，其中，所述训练集包括：行人属性的样本数据，所述条件概率包括：所述属性对的第一属性在预设条件下时所述属性对的第二属性出现和不出现的概率；s2，根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率，其中，所述推测概率包括：通过所述第一属性的预测概率确定所述样本数据中出现或者不出现第二属性的概率，所述预测概率包括：根据所述初始置信度确定的所述第一属性出现和不出现的概率，所述初始置信度是根据预设学习模型对所述多个属性出现和不出现在样本数据中的初始预测结果；s3，根据所述属性对的推测概率更新所述初始置信度之后对行人属性进行判别。可选地，存储介质还被设置为存储用于执行以下步骤的计算机程序：s1，根据所述属性对的推测概率重新分配所述初始置信度中第二属性出现的权重和第二属性不出现的权重；s2，根据所述第二属性出现的权重和第二属性不出现的权重更新所述初始置信度。可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-onlymemory，简称为rom)、随机存取存储器(randomaccessmemory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：s1，根据训练集中样本数据的多个属性的分布情况确定属性对的条件概率，其中，所述训练集包括：行人属性的样本数据，所述条件概率包括：所述属性对的第一属性在预设条件下时所述属性对的第二属性出现和不出现的概率；s2，根据所述属性对的条件概率和所述多个属性的初始置信度，确定所述属性对的推测概率，其中，所述推测概率包括：通过所述第一属性的预测概率确定所述样本数据中出现或者不出现第二属性的概率，所述预测概率包括：根据所述初始置信度确定的所述第一属性出现和不出现的概率，所述初始置信度是根据预设学习模型对所述多个属性出现和不出现在样本数据中的初始预测结果；s3，根据所述属性对的推测概率更新所述初始置信度之后对行人属性进行判别。可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12