人体属性的识别方法、装置、计算机设备及存储介质与流程

1.本发明实施例涉及图像识别技术领域，尤其涉及一种人体属性的识别方法、装置、计算机设备及存储介质。


背景技术：

2.随着人工智能技术的快速发展，通过基于机器学习构建的人体属性识别模型对图像中的人体属性进行识别，被广泛应用于现实生活中的各种场景。
3.目前，人体属性的识别方法，通常是获取摄像头拍摄的视频图像，并在视频图像中提取包含人体的感兴趣区域图像，进而将感兴趣区域图像输入至预先训练完成的人体属性识别模型，并将人体属性识别模型的输出作为人体属性识别结果，以实现对人体属性的识别。
4.现有技术中，通常是向用户提供预先训练完成的通用人体属性识别模型，用户无法参与人体属性识别模型的训练过程，故无法实时获取用户需求，以获取与用户需求更加匹配的人体属性识别模型。


技术实现要素：

5.本发明提供一种人体属性的识别方法、装置、计算机设备及存储介质，以实现通过获取与用户更加匹配的人体属性模型，提升人体属性的识别准确度。
6.第一方面，本发明实施例提供了一种人体属性的识别方法，包括：
7.获取目标用户输入的，用于识别目标人体属性的多个目标再训练样本；
8.根据目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型，其中，基础识别模型针对各人体属性进行通用性训练得到；
9.使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型；
10.采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户。
11.可选的，在获取目标用户输入的，用于识别目标人体属性的多个目标再训练样本之前，还包括：
12.响应于目标用户输入的再训练样本标注请求，向所述目标用户展示人体图像库中的各人体图像；
13.响应于目标用户在所展示的至少一张人体图像中，对目标人体属性的标注操作，生成至少一个用于识别目标人体属性的目标再训练样本；
14.将各所述目标再训练样本与所述目标用户进行关联存储。
15.采用上述技术方案，根据用户的再训练样本标注请求和对目标人体属性的标注操作，获取用于识别目标人体属性的目标再训练样本，可以实现对应目标人体属性的目标再训练样本的高效率获取。
16.可选的，获取目标用户输入的，用于识别目标人体属性的多个目标再训练样本，包括：
17.响应于目标用户的目标再训练样本查看请求，将本地存储的各目标再训练样本进行用户展示；
18.响应于目标用户的训练样本输入指令，获取目标用户在当前展示各目标再训练样本中所选择的多个目标再训练样本。
19.采用上述技术方案，根据目标用户的训练样本输入指令，获取目标用户在展示的各目标再训练样本中所选择的目标再训练样本，提升了目标用户输入目标再训练样本的效率。
20.可选的，在响应于目标用户输入的再训练样本标注请求，向所述目标用户展示人体图像库中的各人体图像之前，还包括：
21.获取至少一个摄像头采集得到的原始图像；
22.在各所述原始图像中，获取包含有人物形象的备选图像；
23.在各所述备选图像中，识别出人体轮廓，并形成与每个人体轮廓分别对应的人体图像存储于人体图像库中。
24.采用上述技术方案，通过在原始图像中获取包含人物形象的备选图像，进而在备选图像中，根据识别的人体轮廓，形成对应的人体图像，提升了人体图像的获取效率。
25.可选的，在各所述备选图像中，识别出人体轮廓，并形成与每个人体轮廓分别对应的人体图像存储于人体图像库中，具体包括：
26.根据至少一种人体轮廓检测算法，在各所述备选图像中，识别出人体轮廓；根据所述人体轮廓和预设外扩参数，获取与各所述人体轮廓对应的人体图像。
27.采用上述技术方案，通过人体轮廓检测算法在备选图像中，识别出人体轮廓，进而根据人体轮廓和预设外扩参数，获取对应的人体图像，进一步提升了人体图像的获取效率。
28.可选的，在将目标人体属性模型输出的识别结果反馈至目标用户之后，还包括：
29.获取目标用户反馈的针对识别图像中目标人体属性的人工标注结果，并判断所述人工标注结果与所述识别结果是否一致；
30.若确定所述人工标注结果与所述识别结果不一致，则根据对所述识别图像的人工标注结果，形成异常识别样本加入至识别异常样本集中；
31.在检测满足损失函数更新条件时，根据所述识别异常样本集中包括的各异常识别样本，对所述目标人体属性模型的损失函数进行更新；
32.基于更新后的损失函数，对所述目标人体属性模型进行再次训练，获取更新后的目标人体属性模型。
33.采用上述技术方案，通过根据人工标注结果与识别结果不一致的异常识别样本，在满足损失函数更新条件时，对损失函数进行更新，进而根据更新后的损失函数，对目标人体属性模型进行再次训练，获取更新后的目标人体属性模型，实现了目标人体属性识别更加准确的目标人体属性模型的获取，同时实现了根据用户对识别图像的人工标注结果，对目标人体属性模型的不断更新。
34.可选的，在检测满足损失函数更新条件时，根据所述识别异常样本集中包括的各异常识别样本，对所述目标人体属性模型的损失函数进行更新，具体包括：
35.按照如下公式：
[0036][0037]
对目标人体属性模型的损失函数loss进行更新；
[0038]
其中，n表示目标再训练样本的数量，ω表示权重系数，m表示所述识别异常样本集中包括的异常识别样本的数量，i表示目标再训练样本的索引，i＝1,2,...n，y
i
表示目标再训练样本i的人工标注信息，y
i
∈{0,1}，0表示人体属性为负样本，1表示人体属性为正样本，表示目标人体属性模型对目标再训练样本i的识别结果，σ表示sigmoid函数，即σ(z)＝1/(1 e^(
‑
z))，j表示异常识别样本的索引，j＝1,2,...m，y
j
表示异常识别样本j的人工标注信息，y
j
∈{0,1}，0表示人体属性为负样本，1表示人体属性为正样本，表示目标人体属性模型对异常识别样本j的识别结果。
[0039]
采用上述技术方案，通过上述公式对损失函数进行更新，使得损失函数可以体现识别结果异常的异常识别样本，实现了更加准确的损失函数的获取。
[0040]
第二方面，本发明实施例还提供了一种人体属性的识别装置，包括：
[0041]
训练样本获取模块，用于获取目标用户输入的，用于识别目标人体属性的多个目标再训练样本；
[0042]
目标基础识别模型获取模块，用于根据目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型，其中，基础识别模型针对各人体属性进行通用性训练得到；
[0043]
目标人体属性模型获取模块，用于使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型；
[0044]
目标人体属性识别模块，用于采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户。
[0045]
第三方面，本发明实施例还提供了一种计算机设备，包括：
[0046]
一个或多个处理器；
[0047]
存储装置，用于存储一个或多个程序，
[0048]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所述的人体属性的识别方法。
[0049]
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的人体属性的识别方法。
[0050]
本发明实施例中的技术方案，通过根据目标用户输入的目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型，并使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型；进而采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户，实现了对目标人体属性的准确识别，同时通过根据用户输入的目标再训练样本，确定匹配的基础识别模型，进而训练得到与用户匹配的人体属性模型，实现了与用户更加匹配的人体属性模型的获取，提升了获取的人体属性模型的准确
度，进而提升了对识别图像的目标人体属性的识别准确度。
附图说明
[0051]
图1是本发明实施例一提供的一种人体属性的识别方法的流程图；
[0052]
图2a是本发明实施例二提供的一种人体属性的识别方法的流程图；
[0053]
图2b是本发明实施例二提供的根据人体轮廓生成人体图像的示意图
[0054]
图3a是本发明实施例三提供的一种人体属性的识别方法的流程图；
[0055]
图3b是本发明实施例三提供的一种人体属性的识别方法的流程示意图；
[0056]
图4是本发明实施例四提供的一种人体属性的识别装置的结构框图；
[0057]
图5是本发明实施例五提供的一种计算机设备的结构框图。
具体实施方式
[0058]
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
[0059]
实施例一
[0060]
图1为本发明实施例一提供的一种人体属性的识别方法的流程图，本发明实施例可适用于根据用户输入的训练样本，获取与用户匹配的人体属性模型，进而实现对识别图像的人体属性的准确识别情况，该方法可以由本发明实施例中的人体属性的识别装置来执行，该装置可以通过软件和/或硬件实现，并集成在计算机设备上，该计算机设备可以是pc机、平板电脑或者手机等，所述方法具体包括如下步骤：
[0061]
s110、获取目标用户输入的，用于识别目标人体属性的多个目标再训练样本。
[0062]
其中，人体属性，为人体本身包含的特征信息，可以包括打电话/非打电话、抽烟/非抽烟、长头发/短头发、以及男人/女人等；目标人体属性，为目标用户预先设定的人体属性，数量可以为一个，也可以为多个。
[0063]
目标再训练样本，为目标用户输入的，与目标人体属性匹配的训练样本，可以具体包括已经完成人体属性标注的人体图像；需要说明的是，在本实施例中，目标再训练样本对应的人体属性的类型可以与目标人体属性的类型一致，也可以多于目标人体属性的类型。
[0064]
在本实施例中，客户端可以通过向目标用户提供再训练样本输入接口，以获取目标用户输入的目标再训练样本，或者，客户端可以向目标用户提供再训练样本选择页面，进而根据目标用户的选择指令信息，在本地存储的再训练样本中确定与用户匹配的目标再训练样本。
[0065]
在本实施例中，可选的，获取目标用户输入的，用于识别目标人体属性的多个目标再训练样本，可以包括：响应于目标用户的目标再训练样本查看请求，将本地存储的各目标再训练样本进行用户展示；响应于目标用户的训练样本输入指令，获取目标用户在当前展示各目标再训练样本中所选择的多个目标再训练样本。
[0066]
其中，预先在本地数据库中存储一定数量的目标再训练样本；在获取到目标用户发送的目标再训练样本查看请求时，例如，获取到目标用户的目标再训练样本查看选项的选择指令时，将本地数据库中存储的全部目标再训练样本在客户端中进行展示；进一步的，
在获取到目标用户的训练样本输入指令时，例如，检测到目标用户针对某些展示的目标再训练样本的选择指令时，在当前展示的目标再训练样本中确定与目标用户匹配的目标再训练样本，可以实现对应目标人体属性的目标再训练样本的高效率获取。
[0067]
s120、根据目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型。
[0068]
其中，基础识别模型针对各人体属性进行通用性训练得到，不同基础识别模型适配不同数量级的再训练样本；在本实施例中，预先基于神经网络算法构建一定数量的初始识别模型，进而通过对初始识别模型进行人体属性识别的通用性训练，以获取多个基础识别模型。
[0069]
需要说明的是，预训练生成的多个基础识别模型对应不同复杂度的神经网络结构(例如，对应不同数量的隐藏层或神经元)；例如，预先训练获取四个基础识别模型，基础识别模型a包括0个隐藏层；基础识别模型b包括1个隐藏层，隐藏层包括10个神经元；基础识别模型c包括2个隐藏层，每个隐藏层包括20个神经元；基础识别模型d包括3个隐藏层，每个隐藏层包括30个神经元；其中，隐藏层的个数越多，每个隐藏层包括的神经元个数越多，表示当前神经网络模型的网络结构越复杂，对应的可处理的数据集越复杂，需要的训练样本数量也越多。
[0070]
值的注意的是，当训练样本的数量较少时，若采用对应复杂度较高神经网络结构的基础识别模型，则会出现模型过拟合的情况，使得训练完成的基础识别模型无法实现对识别图像的人体属性的准确识别；而当训练样本的数量较多时，若采用对应复杂度较低神经网络结构的基础识别模型，将会出现模型欠拟合的情况，同样会导致人体属性识别不准确。故在获取到目标用户输入的目标再训练样本后，确定目标再训练样本的数量；进而根据当前目标再训练样本的数量，选择复杂度匹配的目标基础识别模型，可以避免过拟合或欠拟合情况的出现，进而可以实现与用户更加匹配的目标人体属性模型的获取。
[0071]
在本实施例中，预先设置各基础识别模型匹配的目标再训练样本的数量范围，例如，基础识别模型a对应的目标再训练样本的数量范围为0～10，基础识别模型b对应的目标再训练样本的数量范围为10～20；由此，在获取到目标再训练样本的数量后，例如，目标再训练样本的数量为15，可以确定当前目标再训练样本的数量位于基础识别模型b对应的目标再训练样本的数量范围，故选择基础识别模型b作为目标基础识别模型，可以实现对目标基础识别模型的准确获取。
[0072]
s130、使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型。
[0073]
具体的，使用各目标再训练样本分别对目标基础识别模型进行训练，获取中间人体属性模型；基于损失函数计算当前中间人体属性模型的损失值；若当前损失值不满足预设阈值，根据反向传播的方式对中间人体属性模型的参数进行更新，并对更新后的中间人体属性模型进行再次训练，直至获取的损失值满足预设阈值，完成对目标基础识别模型的训练，得到与目标用户对应的目标人体属性模型。
[0074]
其中，基于如下公式：
[0075][0076]
计算中间人体属性模型的损失值。
[0077]
其中，n表示目标再训练样本的数量，i表示目标再训练样本的索引，i＝1,2,...n，y
i
表示目标再训练样本i的人工标注信息，y
i
∈{0,1}，0表示人体属性为负样本，1表示人体属性为正样本，例如，对于是否有抽烟行为的人体属性，0表示人体无抽烟行为，1表示人体有抽烟的行为；表示目标人体属性模型对目标再训练样本i的识别结果，σ表示sigmoid函数，即σ(z)＝1/(1 e^(
‑
z))。
[0078]
在本实施例中，通过获取用于识别目标人体属性的目标再训练样本，进而根据目标再训练样本的数量值，选择匹配的目标基础识别模型，并使用各目标再训练样本对目标基础识别模型进行训练，以获取对应的目标人体属性模型。由于目标人体属性可以根据需要进行调整，故可以获取能够实现对任意类型的人体属性进行识别的目标人体属性模型；同时，通过获取对应新增目标人体属性的目标再训练样本，可以获取具备新增目标人体属性识别能力的目标人体属性模型。
[0079]
s140、采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户。
[0080]
其中，在获取到训练完成的与目标用户匹配的目标人体属性模型后，将用户输入的识别图像输入至目标人体属性模型，获取目标人体属性模型输出的目标人体属性识别结果；典型的，目标人体属性模型的识别结果为0到1之间的数值，以目标人体属性为抽烟/非抽烟为例，若识别结果为0.9，则识别结果大于0.5，目标人体属性为抽烟；若识别结果为0.2，则识别结果小于0.5，目标人体属性为非抽烟；其中，识别结果越接近于0，表示目标人体属性为非抽烟的概率越大，识别结果越接近于1，表示目标人体属性为抽烟的概率越大，可以实现对识别图像的目标人体属性的准确识别。
[0081]
在本实施例中，通过获取目标用户输入的针对目标人体属性的目标再训练样本，对匹配的基础识别模型进行再次训练，可以强化基础识别模型对目标人体属性的识别能力，实现对目标人体属性更加准确的识别；同时基础识别模型为针对各人体属性进行通用性训练得到，故基于基础识别模型进行再次训练得到的目标人体属性模型，仍可以实现对非目标人体属性的识别；故即使目标用户输入的识别图像对应的人体属性为非目标人体属性，目标人体属性模型仍可以实现对识别图像的人体属性识别，实现了目标人体属性模型的通用性。
[0082]
本发明实施例中的技术方案，通过根据目标用户输入的目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型，并使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型；进而采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户，实现了对目标人体属性的准确识别，同时通过根据用户输入的目标再训练样本，确定匹配的基础识别模型，进而训练得到与用户匹配的人体属性模型，实现了与用户更加匹配的人体属性模型的获取，提升了获取的人体属性模型的准确度，进而提升了对识别图像的目标人体属性的识别准确度。
[0083]
实施例二
[0084]
图2a为本发明实施例二提供的一种人体属性的识别方法的流程图，本实施例在上述实施例的基础上进行具体化，在本实施例中，预先采集人体图像，并根据用户的再训练样本标注请求，生成用于识别目标人体属性的目标再训练样本，该方法具体包括：
[0085]
s210、获取至少一个摄像头采集得到的原始图像。
[0086]
此外，可选的，获取原始图像还可以包括从拍摄视频中截取获取以及在互联网中获取；在本实施例中，对原始图像的获取方式不作具体限定。
[0087]
s220、在各所述原始图像中，获取包含有人物形象的备选图像。
[0088]
在本实施例中，对摄像头采集的原始图像进行筛选，以获取包含人物形象的备选图像；其中，若确定原始图像中存在至少一个人物形象，则将当前原始图像确定为备选图像。
[0089]
此外，可选的，在获取到包含人物形象的备选图像后，对备选图像进行重复性检测，以分别获取各目标人物形象对应的备选图像；进而根据预设采样频率，例如，2张/秒，对同一个目标人物形象对应的备选图像进行采样，将采样后的备选图像作为最终的备选图像，可以保证备选图像的多样性。
[0090]
s230、在各所述备选图像中，识别出人体轮廓，并形成与每个人体轮廓分别对应的人体图像存储于人体图像库中。
[0091]
在本实施例中，可选的，在各所述备选图像中，识别出人体轮廓，并形成与每个人体轮廓分别对应的人体图像存储于人体图像库中，可以具体包括：根据至少一种人体轮廓检测算法，在各所述备选图像中，识别出人体轮廓；根据所述人体轮廓和预设外扩参数，获取与各所述人体轮廓对应的人体图像。
[0092]
其中，人体轮廓检测算法包括人脸检测算法、人体头部检测算法和人体检测算法中的至少一种；通过人体轮廓检测算法，可以在备选图像中，识别出人体轮廓，进而采用检测框对备选图像中人体轮廓所在区域进行标记；其中，检测框的长和宽可以根据需要进行自适应调整。
[0093]
需要说明的是，可以通过坐标参数对检测框进行表示，典型的，检测框可以表示为(x，y，w，h)；其中，(x，y)表示检测框左上角在备选图像中的横坐标和纵坐标，w和h分别表示检测框的宽度和高度；通过上述坐标参数可以实现对检测框的准确表示。
[0094]
此外，在获取到人体轮廓检测框后，根据预设外扩参数，对人体轮廓检测框进行扩展，获取人体检测框，进而对人体检测框所对应的备选图像区域进行截取，以获取对应的人体图像；例如，如图2b所示，假设人体头部检测框的上方两个顶点相对于人体检测框横轴的外扩比例为k1和k2，左侧两个顶点相对于人体检测框纵轴的外扩比例为k3和k4；其中，k1＝fb1/fg，k2＝fc1/fg，k3＝fb0/fe，k4＝fa0/fe；进而可以通过如下公式：
[0095]
x＝x
‑
k1×
w/(k2‑
k1)，
[0096]
y＝y
‑
k3×
h/(k4‑
k3)，
[0097]
w＝w/(k2‑
k1)，
[0098]
h＝h/(k4‑
k3)；
[0099]
计算得到人体检测框在备选图像中的坐标参数(x，y，w，h)。
[0100]
值的注意的是，在根据预设外扩参数，对人体轮廓检测框进行扩展，获取人体检测
框时，获取的人体检测框的大小可能超出当前备选图像的范围；此时，可选的，对于人体检测框中超出备选图像的区域，采用(128,128,128)的像素点进行填充，以最终获取备选图像对应的人体图像。
[0101]
在本实施例中，通过人体轮廓检测算法在备选图像中确定人体轮廓，进而根据人体轮廓在备选图像中截取人体图像，实现了大量人体图像的快速获取，提升了人体图像的获取效率。
[0102]
此外，可选的，在将人体图像存储至人体图像库之前，还可以根据预设处理规则，对获取的人体图像进行预处理；例如，将人体图像归一化为固定像素大小(典型的，600
×
800)；又如，对人体图像进行增强处理、均值处理或者方差处理，以提升人体图像的图像质量。
[0103]
需要说明的是，当备选图像中包含多个人物形象时，可以在备选图像中，识别出全部人物形象的人体轮廓，进而根据各个人体轮廓分别形成对应的人体图像；故可以在一个备选图像中，提取多个人体图像，可以进一步提升人体图像的获取效率。
[0104]
s240、响应于目标用户输入的再训练样本标注请求，向所述目标用户展示人体图像库中的各人体图像。
[0105]
其中，在客户端中预先配置再训练样本标注接口，目标用户通过访问再训练样本标注接口，向客户端发送再训练样本标注请求；客户端在接收到目标用户的再训练样本标注请求后，读取人体图像库中的各人体图像，并将读取的人体图像向目标用户进行展示。
[0106]
s250、响应于目标用户在所展示的至少一张人体图像中，对目标人体属性的标注操作，生成至少一个用于识别目标人体属性的目标再训练样本。
[0107]
在本实施例中，目标用户在获取到客户端中展示的人体图像后，值的注意的是，此时的人体图像不存在任何标注；目标用户在客户端中点击选择对应的人体图像，并通过客户端预先设置的人体图像标注功能模块，对选择的人体图像进行人体属性的标注操作，以为当前人体图像添加人工标注结果，进而获取至少一个目标再训练样本。通过根据目标用户对人体图像中目标人体属性的标注操作，获取与目标人体属性匹配的目标再训练样本，可以实现对应特定人体属性的目标再训练样本的高效获取。
[0108]
需要说明的是，目标用户在选择人体图像时，可以针对性的选择与目标人体属性匹配的人体图像；例如，目标人体属性为抽烟/非抽烟，则用户可以在人体图像中选择包含抽烟动作的人体图像进行标注，以快速获取一定数量的对应抽烟人体属性的目标再训练样本，可以提升目标再训练样本的获取效率。
[0109]
s260、将各所述目标再训练样本与所述目标用户进行关联存储。
[0110]
具体的，在目标用户完成对人体图像的标注后，客户端将目标用户执行目标人体属性的标注操作后获取的目标再训练样本，作为目标再训练样本集与目标用户进行关联存储；例如，将目标再训练样本集存储至以目标用户名命名的文本夹下，或者，可以在目标再训练样本集文件名中加入目标用户名，以实现各目标再训练样本与目标用户的关联存储。
[0111]
s270、响应于目标用户的目标再训练样本查看请求，将本地存储的各目标再训练样本进行用户展示。
[0112]
对应的，由于已经将各目标再训练样本与目标用户进行关联存储，故在目标用户成功登陆客户端后，若客户端获取到目标用户的目标再训练样本查看请求，可直接在本地
存储中查找与目标用户匹配的目标再训练样本，并将查找到的目标再训练样本向用户进行展示，可以进一步提升目标再训练样本的获取效率。
[0113]
s280、响应于目标用户的训练样本输入指令，获取目标用户在当前展示各目标再训练样本中所选择的多个目标再训练样本。
[0114]
s290、根据目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型。
[0115]
其中，基础识别模型针对各人体属性进行通用性训练得到
[0116]
s2100、使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型。
[0117]
s2110、采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户。
[0118]
本发明实施例的技术方案，通过在原始图像中筛选备选图像，并在备选图像中获取人体图像，进而根据目标用户的再训练样本标注请求，执行对应的人体图像标注操作，以获取与目标用户对应的各目标再训练样本，实现了符合目标用户需求的目标再训练样本的获取；进一步的，根据目标用户输入的目标再训练样本，对匹配的基础识别模型进行训练，以获取对应的目标人体属性模型，并最终根据目标人体属性模型，实现对识别图像的目标人体属性的识别，强化了目标人体属性模型对目标人体属性的识别能力，提升了目标人体属性模型识别目标人体属性的准确度。
[0119]
实施例三
[0120]
图3a为本发明实施例三提供的一种人体属性的识别方法的流程图，本实施例在上述实施例的基础上进行具体化，在本实施例中，在将识别结果反馈至所述目标用户之后，若确定目标用户反馈的人工标注结果与识别结果不一致，对损失函数进行更新，并基于更新后损失函数对目标人体属性模型进行再次训练，该方法具体包括：
[0121]
s310、获取至少一个摄像头采集得到的原始图像。
[0122]
s320、在各所述原始图像中，获取包含有人物形象的备选图像。
[0123]
s330、在各所述备选图像中，识别出人体轮廓，并形成与每个人体轮廓分别对应的人体图像存储于人体图像库中。
[0124]
s340、响应于目标用户输入的再训练样本标注请求，向所述目标用户展示人体图像库中的各人体图像。
[0125]
s350、响应于目标用户在所展示的至少一张人体图像中，对目标人体属性的标注操作，生成至少一个用于识别目标人体属性的目标再训练样本。
[0126]
s360、将各所述目标再训练样本与所述目标用户进行关联存储。
[0127]
s370、响应于目标用户的目标再训练样本查看请求，将本地存储的各目标再训练样本进行用户展示。
[0128]
s380、响应于目标用户的训练样本输入指令，获取目标用户在当前展示各目标再训练样本中所选择的多个目标再训练样本。
[0129]
s390、根据目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型。
[0130]
其中，基础识别模型针对各人体属性进行通用性训练得到
[0131]
s3100、使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型。
[0132]
s3110、采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户。
[0133]
s3120、获取目标用户反馈的针对识别图像中目标人体属性的人工标注结果，并判断所述人工标注结果与所述识别结果是否一致。
[0134]
其中，若是，执行s3160；否则，执行s3130。具体的，客户端在将目标人体属性模型输出的识别结果发送至目标用户后，目标用户若确定当前识别结果异常或错误，可以通过客户端的识别图像标注功能模块或接口，为识别图像的目标人体属性添加人工标注结果。客户端在接收到目标用户针对识别图像中目标人体属性的人工标注结果后，判断人工标注结果和识别结果是否相同；若确定相同，则证明识别结果正确，结束对当前识别图像的目标人体属性的识别；若确定不同，则证明识别结果错误，需要对目标人体属性模型进行再训练，以提升目标人体属性模型对目标人体属性识别的准确度。
[0135]
此外，可选的，若客户端在预设时间阈值内未接收到目标用户反馈的针对当前识别图像中目标人体属性的人工标注结果，则确定当前识别结果正确，主动结束对当前识别图像的目标人体属性的识别流程。
[0136]
本实施例的技术方案，通过在获取到对识别图像中目标人体属性的识别结果后，进一步获取目标用户对识别图像中目标人体属性的人工标注结果；并在识别结果和人工标注结果不一致的情况下，对目标人体属性模型的损失函数更新，可以进一步提升目标人体属性模型对目标人体属性识别的准确度。
[0137]
s3130、根据对所述识别图像的人工标注结果，形成异常识别样本加入至识别异常样本集中。
[0138]
其中，若人工标注结果与识别结果不一致，表示当前识别图像的识别结果异常或错误；故将人工标注结果作为对应识别图像的标签，并将添加标签后的识别图像作为异常识别样本加入至识别异常样本集。
[0139]
s3140、在检测满足损失函数更新条件时，根据所述识别异常样本集中包括的各异常识别样本，对所述目标人体属性模型的损失函数进行更新。
[0140]
其中，损失函数更新条件，为预先设置的执行损失函数更新操作的要求条件；例如，若识别异常样本集中异常识别样本的数量大于或等于预设样本数量阈值，则认为满足损失函数更新条件；进一步的，根据识别异常样本集中包括的异常识别样本的数量以及各异常识别样本的人工标注结果，对目标人体属性模型的损失函数进行更新。
[0141]
在本实施例中，可选的，在检测满足损失函数更新条件时，根据所述识别异常样本集中包括的各异常识别样本，对所述目标人体属性模型的损失函数进行更新，可以具体包括：
[0142]
按照如下公式：
[0143][0144]
对目标人体属性模型的损失函数loss进行更新；
[0145]
其中，n表示目标再训练样本的数量，ω表示权重系数，通常设置为1，可根据需要
进行预先设定，m表示所述识别异常样本集中包括的异常识别样本的数量，i表示目标再训练样本的索引，i＝1,2,...n，y
i
表示目标再训练样本i的人工标注信息，y
i
∈{0,1}，0表示人体属性为负样本，1表示人体属性为正样本，表示目标人体属性模型对目标再训练样本i的识别结果，σ表示sigmoid函数，即σ(z)＝1/(1 e^(
‑
z))，j表示异常识别样本的索引，j＝1,2,...m，y
j
表示异常识别样本j的人工标注信息，y
j
∈{0,1}，0表示人体属性为负样本，1表示人体属性为正样本，表示目标人体属性模型对异常识别样本j的识别结果。
[0146]
在本实施例中，通过根据异常识别样本对损失函数进行更新，使得更新后的损失函数可以体现识别异常的识别图像，故可以获取更加准确的损失函数；进而根据更新后损失函数，对目标人体属性模型进行再次训练，可以提升获取的目标人体属性模型的准确度。
[0147]
s3150、基于更新后的损失函数，对所述目标人体属性模型进行再次训练，获取更新后的目标人体属性模型。
[0148]
具体的，在完成对损失函数的更新操作后，根据识别异常样本集和各目标再训练样本对目标人体属性模型进行联合训练；并根据损失函数计算训练过程中的损失值，进而在检测到损失值小于预设损失阈值时，完成对目标人体属性模型的再次训练，获取更新后的目标人体属性模型，进一步提升了目标人体属性模型对目标人体属性识别的准确度。
[0149]
s3160、结束。
[0150]
为了更清楚的介绍本发明实施例的技术方案，如图3b所示，本发明实施例提供的技术方案可以包括：获取至少一个摄像头采集得到的视频图像，对采集的视频图像进行解码以获取原始图像；在各原始图像中，获取包含有人物形象的备选图像，在备选图像中，识别出人体轮廓，并形成与每个人体轮廓分别对应的人体图像；根据预处理规则，执行对人体图像的图像预处理操作；并响应于目标用户在执行图像预处理操作后的人体图像中，对目标人体属性的标注操作，生成至少一个用于识别目标人体属性的目标再训练样本。
[0151]
进一步的，根据目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型，并使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型；采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户；获取目标用户反馈的针对识别图像中目标人体属性的人工标注结果，若人工标注结果与识别结果不一致，根据人工标注结果生成异常识别样本，并在检测满足损失函数更新条件时，对损失函数进行更新；最终基于更新后的损失函数，对目标人体属性模型进行再次训练，获取训练完成的目标人体属性模型。
[0152]
本发明实施例中的技术方案，通过在获取到识别图像的识别结果后，获取目标用户针对识别图像的目标人体属性的人工标注结果，并在确定人工标注结果和识别结果不一致时，根据人工标注结果，生成异常识别样本；进而在检测到满足损失函数更新条件时，根据异常识别样本对损失函数进行更新，并基于更新后的损失函数，对目标人体属性模型进行再次训练，获取更新后的目标人体属性模型，实现了更加准确的目标人体属性模型的获取，进一步提升了目标人体属性模型对目标人体属性识别的准确度。
[0153]
实施例四
[0154]
图4为本发明实施例四提供的一种人体属性的识别装置的结构框图，该装置具体包括：训练样本获取模块410、目标基础识别模型获取模块420、目标人体属性模型获取模块430和目标人体属性识别模块440；
[0155]
训练样本获取模块410，用于获取目标用户输入的，用于识别目标人体属性的多个目标再训练样本；
[0156]
目标基础识别模型获取模块420，用于根据目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型，其中，基础识别模型针对各人体属性进行通用性训练得到；
[0157]
目标人体属性模型获取模块430，用于使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型；
[0158]
目标人体属性识别模块440，用于采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户。
[0159]
可选的，在上述技术方案的基础上，所述人体属性的识别装置，还包括：
[0160]
再训练样本标注请求响应模块，用于响应于目标用户输入的再训练样本标注请求，向所述目标用户展示人体图像库中的各人体图像；
[0161]
标注操作响应模块，用于响应于目标用户在所展示的至少一张人体图像中，对目标人体属性的标注操作，生成至少一个用于识别目标人体属性的目标再训练样本；
[0162]
样本存储模块，用于将各所述目标再训练样本与所述目标用户进行关联存储。
[0163]
可选的，在上述技术方案的基础上，训练样本获取模块410，包括：
[0164]
查看请求响应单元，用于响应于目标用户的目标再训练样本查看请求，将本地存储的各目标再训练样本进行用户展示；
[0165]
训练样本输入指令响应单元，用于响应于目标用户的训练样本输入指令，获取目标用户在当前展示各目标再训练样本中所选择的多个目标再训练样本。
[0166]
可选的，在上述技术方案的基础上，所述人体属性的识别装置，还包括：
[0167]
原始图像获取模块，用于获取至少一个摄像头采集得到的原始图像；
[0168]
备选图像获取模块，用于在各所述原始图像中，获取包含有人物形象的备选图像；
[0169]
人体图像存储模块，用于在各所述备选图像中，识别出人体轮廓，并形成与每个人体轮廓分别对应的人体图像存储于人体图像库中。
[0170]
可选的，在上述技术方案的基础上，人体图像存储模块，具体用于根据至少一种人体轮廓检测算法，在各所述备选图像中，识别出人体轮廓；根据所述人体轮廓和预设外扩参数，获取与各所述人体轮廓对应的人体图像。
[0171]
可选的，在上述技术方案的基础上，所述人体属性的识别装置，还包括：
[0172]
一致判断模块，用于获取目标用户反馈的针对识别图像中目标人体属性的人工标注结果，并判断所述人工标注结果与所述识别结果是否一致；
[0173]
异常识别样本形成模块，用于若确定所述人工标注结果与所述识别结果不一致，则根据对所述识别图像的人工标注结果，形成异常识别样本加入至识别异常样本集中；
[0174]
损失函数更新模块，用于在检测满足损失函数更新条件时，根据所述识别异常样本集中包括的各异常识别样本，对所述目标人体属性模型的损失函数进行更新；
[0175]
目标人体属性模型再次训练模块，用于基于更新后的损失函数，对所述目标人体
属性模型进行再次训练，获取更新后的目标人体属性模型。
[0176]
可选的，在上述技术方案的基础上，损失函数更新模块，具体用于按照如下公式：
[0177][0178]
对目标人体属性模型的损失函数loss进行更新；
[0179]
其中，n表示目标再训练样本的数量，ω表示权重系数，m表示所述识别异常样本集中包括的异常识别样本的数量，i表示目标再训练样本的索引，i＝1,2,...n，y
i
表示目标再训练样本i的人工标注信息，y
i
∈{0,1}，0表示人体属性为负样本，1表示人体属性为正样本，表示目标人体属性模型对目标再训练样本i的识别结果，σ表示sigmoid函数，即σ(z)＝1/(1 e^(
‑
z))，j表示异常识别样本的索引，j＝1,2,...m，y
j
表示异常识别样本j的人工标注信息，y
j
∈{0,1}，0表示人体属性为负样本，1表示人体属性为正样本，表示目标人体属性模型对异常识别样本j的识别结果。
[0180]
本发明实施例所提供的人体属性的识别装置可执行本发明任意实施例所提供的人体属性的识别方法，具备执行方法相应的功能模块和有益效果。
[0181]
实施例五
[0182]
图5为本发明实施例五提供的一种计算机设备的结构示意图，如图5所示，该计算机设备包括处理器50、存储器51、输入装置52和输出装置53；设计算机设备中处理器50的数量可以是一个或多个，图5中以一个处理器50为例；计算机设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图5中以通过总线连接为例。
[0183]
存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的人体属性的识别方法对应的程序指令/模块(例如，人体属性的识别装置中的训练样本获取模块410、目标基础识别模型获取模块420、目标人体属性模型获取模块430和目标人体属性识别模块440)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的人体属性的识别方法，即：
[0184]
获取目标用户输入的，用于识别目标人体属性的多个目标再训练样本；
[0185]
根据目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型，其中，基础识别模型针对各人体属性进行通用性训练得到；
[0186]
使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型；
[0187]
采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户。
[0188]
存储器51可主要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、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至计算机设
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。
[0189]
输入装置52可用于接收输入的数字或字符信息，以及产生与设备/终端/服务器的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
[0190]
实施例六
[0191]
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种人体属性的识别方法，该方法包括：
[0192]
获取目标用户输入的，用于识别目标人体属性的多个目标再训练样本；
[0193]
根据目标再训练样本的数量值，从预训练生成的多个基础识别模型中获取目标基础识别模型，其中，基础识别模型针对各人体属性进行通用性训练得到；
[0194]
使用各目标再训练样本对目标基础识别模型进行训练，得到与目标用户对应的目标人体属性模型；
[0195]
采用目标人体属性模型对用户输入的识别图像进行目标人体属性的识别，并将目标人体属性模型输出的识别结果反馈至目标用户。
[0196]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的人体属性的识别方法中的相关操作。
[0197]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read
‑
only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，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。
[0198]
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0199]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。