基于深度学习的行人属性识别

针对监控场景的背景杂乱及行人被遮挡等问题,提出一种基于背景抑制的行人属性识别方法,该方法可以减小背景对行人属性识别的影响。首先,改进卷积神经网络以生成三个分支,将分支分别用于行人图像、人体区域、背景区域的特征提取;然后,将区域对比损失函数和加权交叉熵损失函数作为网络的联合代价函数。在此联合代价函数的约束下,神经网络学习到的特征具有背景杂乱不变性,从而提高了行人属性识别的准确度。将所提方法在PETA和RAP两个行人属性数据集上进行验证。与其他现有方法相比,所提方法在平均精度、准确度、精确度等指标上性能均有所提升,证明了所提方法的有效性。