基于GCN的行人属性识别方法、系统、介质及电子设备与流程

基于gcn的行人属性识别方法、系统、介质及电子设备
技术领域
1.本发明涉及数据分析技术领域，特别是涉及一种基于gcn的行人属性识别方法、系统、介质及电子设备。


背景技术：

2.随着经济腾飞与人工智能科技的快速发展，线下经营商超、社区、场馆和公园景点等适应时代发展的需求、追求可持续性的效益，对于客流信息愈加关注。而在客流信息中，会依据行人属性去区分顾客和无效客流如保洁、保安、工作人员以及外卖快递等。
3.市面上常见的方法，主要通过视觉信息，依据人员的着装配饰进行属性识别。但在实际场景应用中，存在着以下两个问题：第一，着装难以统一，在不同场景中，同属性人员服装存在明显差异。这导致了依赖图像信息的视觉算法难以泛化应用，即不同场景中需要专属识别模型；第二，未穿戴工装的情况，实际场景中，会存在人员未按规定着装，比如外卖快递员，未穿着指定着装；骑手在场景中摘下头盔；或公司未规定着装要求等等。而视觉算法对于上述多类情况，是无法识别的。


技术实现要素：

4.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于gcn的行人属性识别方法、系统、介质及电子设备，用于解决现有技术中存在无法识别行人职业属性的问题。
5.为实现上述目的及其他相关目的，本发明提供一种基于gcn的行人属性识别方法，所述方法包括：获取目标行人的轨迹数据，其中，所述轨迹数据至少包括停留地点、行人轨迹以及停留时间；基于预设的编码规则对所述轨迹数据进行编码，其中，所述编码规则为利用预设的二维矩阵对所述停留地点、所述行人轨迹以及所述停留时间进行编码；将编码后的所述轨迹数据作图形式表达，得到图结构数据；将所述图结构数据输入到训练好的gcn网络模型进行属性识别，得到与所述目标行人对应的行人属性。
6.于本发明的一实施例中，所述获取目标行人的轨迹数据包括：
7.根据自然时间顺序采集所述目标行人对应的所述停留地点以及所述停留时间；
8.基于所述停留地点以及所述停留时间，结合所述自然时间顺序得到所述目标行人对应的所述行人轨迹；
9.基于所述停留地点、所述停留时间以及所述行人轨迹得到所述轨迹数据。
10.于本发明的一实施例中，利用二维矩阵l对所述停留地点进行编码，包括：
11.基于预设的地点编号得到所述二维矩阵l的行向量；
12.基于地点类型以及楼层信息得到所述二维矩阵l的列向量。
13.于本发明的一实施例中，利用二维矩阵t对所述行人轨迹进行编码，包括：
14.基于所述目标行人出发点对应的所述地点编号作为所述二维矩阵t的第一行，基于所述目标行人到达点对应的所述地点编号作为所述二维矩阵t的第二行；
15.基于每一段所述行人轨迹对应的所述自然时间顺序作为所述二维矩阵t的列向量。
16.于本发明的一实施例中，利用二维矩阵s对所述停留时间进行编码，包括：
17.基于所述行人轨迹出发点对应的所述停留时间作为所述二维矩阵s的第一行，基于所述行人轨迹到达点对应的所述停留时间作为所述二维矩阵s的第二行；
18.基于所述行人轨迹的轨迹段数量作为所述二维矩阵s的列向量。
19.于本发明的一实施例中，所述将编码后的所述轨迹数据作图形式表达得到图结构数据，包括：
20.基于所述二维矩阵l、t以及s得到所述图结构数据g，其中，
21.将所述二维矩阵l作为所述图结构数据的节点；
22.将所述二维矩阵t作为所述图结构数据的边；
23.将所述二维矩阵s作为所述图结构数据的边属性。
24.于本发明的一实施例中，所述gcn网络模型的训练步骤包括：
25.获取训练数据，并基于预设比例将所述训练数据分成训练集与测试集；
26.将所述训练集批量随机输入到预设的gcn网络中进行迭代训练，并利用所述测试集测试每一批次网络模型的模型精度；
27.当迭代次数达到预设阈值时停止训练，并选取所述模型精度最高的网络模型作为所述训练好的gcn网络模型。
28.为实现上述目的及其他相关目的，本发明提供一种上述的基于gcn的行人属性识别系统，所述系统包括：
29.获取模块，用于获取目标行人的轨迹数据，其中，所述轨迹数据至少包括停留地点、行人轨迹以及停留时间；
30.编码模块，用于基于预设的编码规则对所述轨迹数据进行编码，其中，所述编码规则为利用预设的二维矩阵对所述停留地点、所述行人轨迹以及所述停留时间进行编码；
31.处理模块，用于将编码后的所述轨迹数据作图形式表达，得到图结构数据；
32.识别模块，用于将所述图结构数据输入到训练好的gcn网络模型进行属性识别，得到与所述目标行人对应的行人属性。
33.为实现上述目的及其他相关目的，本发明提供一种上述的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所述基于gcn的行人属性识别方法。
34.为实现上述目的及其他相关目的，本发明提供一种上述的电子设备，所述电子设备包括：处理器及存储器；其中，所述存储器用于存储计算机程序，所述处理器用于加载执行所述计算机程序，以使所述电子设备执行所述的基于gcn的行人属性识别方法。
35.如上所述，本发明的基于gcn的行人属性识别方法、系统、介质及电子设备，可以根据轨迹对行人进行属性识别，判断其身份，细化客流数据，和传统依据视觉判断的方法相比较，当目标行人为着装明显职业服饰时，依据视觉方案是无法判断和鉴别的，但本技术公开的方法可对这一情况进行有效的识别。
附图说明
36.图1显示为本发明的基于gcn的行人属性识别方法于一实施例中的方法步骤图；
37.图2显示为本发明的基于gcn的行人属性识别方法于又一实施例中的方法步骤图；
38.图3显示为本发明的基于gcn的行人属性识别方法于一实施例中的轨迹示意图；
39.图4显示为本发明的基于gcn的行人属性识别方法于一实施例中的gcn网络结构示意图；
40.图5显示为本发明的基于gcn的行人属性识别系统于一实施例中的结构示意图；
41.图6显示为本发明一实施例中电子设备的结构示意图。
42.元件标号说明
43.s11～s14 步骤
44.s21～s23 步骤
45.50
ꢀꢀꢀꢀꢀꢀꢀ
基于gcn的行人属性识别系统
46.51
ꢀꢀꢀꢀꢀꢀꢀ
获取模块
47.52
ꢀꢀꢀꢀꢀꢀꢀ
编码模块
48.53
ꢀꢀꢀꢀꢀꢀꢀ
处理模块
49.54
ꢀꢀꢀꢀꢀꢀꢀ
识别模块
具体实施方式
50.以下通过特定的具体实例说明本发明的实施方式，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发明的其他优点与功效。本发明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，在没有背离本发明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。
51.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发明的基本构想，遂图式中仅显示与本发明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。
52.本技术提出使用图卷积网络(graph convolutional networks,gcn)，对行人轨迹进行分析，可有效识别出行人职业属性，这一方法对于客流信息分析具有重要的作用和意义。
53.请参阅图1，于发明一实施例中，本发明的基于gcn的行人属性识别方法包括如下步骤：
54.步骤s11、获取目标行人的轨迹数据，其中，所述轨迹数据至少包括停留地点、行人轨迹以及停留时间；
55.步骤s12、基于预设的编码规则对所述轨迹数据进行编码，其中，所述编码规则为利用预设的二维矩阵对所述停留地点、所述行人轨迹以及所述停留时间进行编码；
56.步骤s13、将编码后的所述轨迹数据作图形式表达，得到图结构数据；
57.步骤s14、将所述图结构数据输入到训练好的gcn网络模型进行属性识别，得到与所述目标行人对应的行人属性。
58.需要说明的是，于本实施例中，首先获取所述轨迹数据，其中，所述轨迹数据至少包括所述停留地点、所述行人轨迹以及所述停留时间，其中，如图2所示，获取目标行人的轨
迹数据具体包括如下步骤：
59.步骤s21、根据自然时间顺序采集所述目标行人对应的所述停留地点以及所述停留时间；
60.步骤s22、基于所述停留地点以及所述停留时间，结合所述自然时间顺序得到所述目标行人对应的所述行人轨迹；
61.步骤s23、基于所述停留地点、所述停留时间以及所述行人轨迹得到所述轨迹数据。
62.需要说明的是，在实际应用过程中，可以通过视觉reid、rfid或者wifi等技术获取得到所述轨迹数据，由于上述技术为本领域技术人员熟知的方法，故于本实施例中不做赘述，说明下英文缩写对应的全称说明，其中，reid为行人重识别(person re-identification，reid)，rfid为射频识别(radio frequency identification)。
63.进一步地，于发明一实施例中，基于预设的编码规则对所述轨迹数据进行编码，具体包括了对所述停留地点、所述行人轨迹以及所述停留时间进行编码，编码利用到的具体的所述编码规则即为预设的二维矩阵，其中包括利用二维矩阵l对所述停留地点进行编码，利用二维矩阵t对所述行人轨迹进行编码，以及利用二维矩阵s对所述停留时间进行编码。
64.具体地，利用二维矩阵l对所述停留地点进行编码，具体包括基于预设的地点编号得到所述二维矩阵l的行向量；基于地点类型以及楼层信息得到所述二维矩阵l的列向量。其中，取一商场场景为例，参考图3，为本实施例中提供的轨迹示意图，对该场景内位置地点等信息进行结构化，即统计场所地点进行编号，并补充属性，如表1所示，表1中包括地点编号、地点名称以及地点类型和楼层信息。
65.表1.地点信息示意图
66.编号1234567名称1号门2号门a店铺b店铺c店铺d店铺3号门类型出入口出入口服装店服装店餐饮店餐饮店出入口楼层1112331
67.进一步地，利用二维矩阵l对所述停留地点进行编码，其中，行序号表示地点编号，即二维矩阵l的每个行向量的序号表示对应的地点编号，列表示地点类型以及楼层信息，其中，用数字表示类型，举例，用“1”表示出入口，“2”表示服装店，“3”表示餐饮店，即二维矩阵l的每个列向量分别表示所述地点类型以及所述楼层信息，对上述表1信息进行编码后，可得到二维矩阵l为：
[0068][0069]
进一步地，利用二维矩阵t对所述行人轨迹进行编码，其中，矩阵的第一行表示轨
迹段的出发点对应的地点编号，第二行表示到达点的地点编号，即所述目标行人出发点对应的所述地点编号作为所述二维矩阵t的第一行，所述目标行人到达点对应的所述地点编号作为所述二维矩阵t的第二行，列表示时序顺序，即每一段所述行人轨迹对应的所述自然时间顺序作为所述二维矩阵t的列向量，以此来得到所述二维矩阵t，具体如下：
[0070][0071]
进一步地，利用二维矩阵s对所述停留时间进行编码，其中，矩阵的第一行表示轨迹段起始点的停留时间，第二行表示轨迹段到达点的停留时间，即所述行人轨迹出发点对应的所述停留时间作为所述二维矩阵s的第一行，所述行人轨迹到达点对应的所述停留时间作为所述二维矩阵s的第二行；矩阵的列数与轨迹段数量一致，且与所述二维矩阵t的列编号对应，即所述行人轨迹的轨迹段数量作为所述二维矩阵s的列向量，以此来得到所述二维矩阵s，其中，所述停留时间以秒钟进行计算，具体如下：
[0072][0073]
进一步地，于发明一实施例中，将编码后的所述轨迹数据作图形式表达得到图结构数据，具体地，基于所述二维矩阵l、t以及s得到所述图结构数据g，其中，将所述二维矩阵l作为所述图结构数据的节点；将所述二维矩阵t作为所述图结构数据的边；将所述二维矩阵s作为所述图结构数据的边属性，以此来得到输入gcn网络模型的输入数据，即所述图结构数据g＝(l,t,s)。
[0074]
需要说明的是，本技术使用gcn网络作为识别模型，其中，网络结构设计如图4所示，网络实现使用pyg软件进行实现，网络层操作均源自torch_geometric.nn模块中，相应地，本技术提出的gcn网络需要提前训练，轨迹数据和行人图片可以用市面具备reid功能的设备采集轨迹和图片，采集训练样本后，需要对样本内的轨迹数据进行编码生成图结构数据，并人工标记轨迹的属性标签，如：1)外卖员；2)快递员；3)保洁员；4)保安；5)其他，标注中对于根据图片无法判断属性的，标记为5)其他，其中，编码后的轨迹结构化数据集合以及各轨迹对应的属性标签为所述训练数据，训练各目标轨迹的数量对应的比例设置如下：
[0075]
外卖员∶快递员∶保安∶保洁∶其他＝1∶1∶1∶1∶6；
[0076]
具体的训练过程如下：
[0077]
a)将训练样本分为训练集，测试集，其中，训练集与测试集对应的预设比例为：
[0078]
训练集数据量∶测试集数据量＝9∶1；
[0079]
b)网络损失函数为标准softmax函数，训练方法选择adam训练方法，训练参数如下：
[0080]
学习率＝0.01，β1＝0.9，β2＝0.999；
[0081]
其中，β1以及β2均为adam训练方法的训练参数；
[0082]
c)训练的gcn网络结构如图4，网络层均为pyg提供的标准函数，设置迭代次数对应的所述预设阈值为10000，单次迭代的一批数据量建议为“32，64，128，256”个，在实际应用中，具体根据训练中使用的gpu显存大小确定；
[0083]
d)在训练过程中，按着每一批数据量，随机送入训练数据集，并避免重复，当全部
训练数据都被送入训练后，保存对应模型，并利用所述测试集在模型上进行精度测试。
[0084]
e)重复步骤d)，当迭代次数完成后停止训练。
[0085]
f)选取在测试集上精度最高的模型，作为最优网络模型(即所述训练好的gcn网络模型)在实施中使用。
[0086]
进一步地，将编码后的所述轨迹数据作图形式表达得到的所述图结构数据输入到训练好的gcn网络模型进行属性识别，可以得到与所述目标行人对应的所述行人属性，需要说明的是，本技术和依据视觉判断的方法相比较时，当目标为着装明显职业服饰时，视觉方案是无法判断和鉴别的，但本方法可对此情况有效的识别，例如本方案实施时，当不同场景中，当目标着装发生改变时，比如a场地保洁员身着白色工作服，三个月后保洁工作服改为黑色，对于依赖视觉的方案，在工作服发生改变后，需要重新训练识别模型，但本方案无需重新训练识别模型，仍然可以识别出对应行人为保洁员。
[0087]
请参阅图5，在一实施例中，本实施例提供的一种基于gcn的行人属性识别系统50，所述系统包括：
[0088]
获取模块51，用于获取目标行人的轨迹数据，其中，所述轨迹数据至少包括停留地点、行人轨迹以及停留时间；
[0089]
编码模块52，用于基于预设的编码规则对所述轨迹数据进行编码，其中，所述编码规则为利用预设的二维矩阵对所述停留地点、所述行人轨迹以及所述停留时间进行编码；
[0090]
处理模块53，用于将编码后的所述轨迹数据作图形式表达，得到图结构数据；
[0091]
识别模块54，用于将所述图结构数据输入到训练好的gcn网络模型进行属性识别，得到与所述目标行人对应的行人属性。
[0092]
由于本实施例的具体实现方式与前述方法实施例对应，因而于此不再对同样的细节做重复赘述，本领域技术人员也应当理解，图5实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个或多个物理实体上，且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。
[0093]
除此之外，本发明还提供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任一项所述基于gcn的行人属性识别方法。
[0094]
参阅图6，本实施例提供一种电子设备，详细的，电子设备至少包括通过总线连接的：存储器、处理器，其中，存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。
[0095]
综上所述，本发明可以根据轨迹对行人进行属性识别，判断其身份，细化客流数据，和传统依据视觉判断的方法相比较，当目标行人为着装明显职业服饰时，依据视觉方案是无法判断和鉴别的，但本技术公开的方法可对这一情况进行有效的识别。
[0096]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。