CN108875536A - 行人分析方法、装置、***和存储介质 - Google Patents

Abstract

本发明提供了一种行人分析方法、装置、***和存储介质，所述方法包括：获取针对待处理数据进行行人检测后得到的行人检测结果；以及利用一个训练好的行人分析网络针对所述行人检测结果进行行人误报判断和行人属性分析。根据本发明实施例的行人分析方法、装置、***和存储介质将行人误报剔除和行人属性分析整合在一起，使用一个训练好的行人分析网络进行行人误报判断和行人属性分析，可以简化产品逻辑并缩短产品的数据流水线，此外由于多任务监督信号的影响，提升了行人分析模型的整体性能。

Description

行人分析方法、装置、***和存储介质

技术领域

本发明涉及行人检测技术领域，更具体地涉及一种行人分析方法、装置、***和存储介质。

背景技术

行人分析是计算机视觉领域常见的技术，也是落地项目中最容易实现的一种高新技术。在行人分析流程中，行人检测是分析的入口技术，行人属性则是常见的出口技术。在入口和出口之间，常常还有另外的一些模块，例如行人误报剔除器。常见的方法是分开训练这三个模块，然后再在产品中组合出来。但这样的设计往往会引入复杂的产品逻辑和数据流水性，导致出现缺陷产品和总体性能的下降。

发明内容

本发明提出了一种关于行人分析的方案，其整合了行人误报剔除和行人属性两个模块，可以简化产品逻辑并缩短产品的数据流水线。下面简要描述本发明提出的关于行人分析的方案，更多细节将在后续结合附图在具体实施方式中加以描述。

根据本发明一方面，提供了一种行人分析方法，所述方法包括：获取针对待处理数据进行行人检测后得到的行人检测结果；以及利用一个训练好的行人分析网络针对所述行人检测结果进行行人误报判断和行人属性分析。

在一个实施例中，所述行人分析网络包括依次连接的卷积层、最大池化层、至少一个卷积块单元、全局池化层以及全连接层，其中，所述全连接层包括输出行人误报判断结果的全连接层和输出行人属性分析结果的全连接层。

在一个实施例中，所述至少一个卷积块单元中的每个卷积块单元包括至少一个卷积块，每个卷积块包括逐通道卷积层、跨通道卷积层和批规范化层。

在一个实施例中，所述输出行人属性分析结果的全连接层包括多个全连接层分别用于输出不同的行人属性。

在一个实施例中，所述行人分析网络的训练包括：将所述行人误报判断的损失和所述行人属性分析的损失求平均或进行加权平均后反馈给所述行人分析网络，以优化所述行人分析网络的参数。

在一个实施例中，所述行人误报判断用于判断行人检测结果是否表示行人，所述行人属性分析所分析的行人属性包括回归属性和/或分类属性。

在一个实施例中，所述回归属性包括行人的年龄、身高、体重中的至少一项。

在一个实施例中，所述分类属性包括行人的衣着类型、佩戴物类型、携带物类型中的至少一项。

根据本发明另一方面，提供了一种行人分析装置，所述装置包括：获取模块，用于获取针对待处理数据进行行人检测后得到的行人检测结果；以及分析模块，用于利用一个训练好的行人分析网络针对所述获取模块获取的行人检测结果进行行人误报判断和行人属性分析。

在一个实施例中，所述分析模块利用的所述行人分析网络包括依次连接的卷积层、最大池化层、至少一个卷积块单元、全局池化层以及全连接层，其中，所述全连接层包括输出行人误报判断结果的全连接层和输出行人属性分析结果的全连接层。

在一个实施例中，所述至少一个卷积块单元中的每个卷积块单元包括至少一个卷积块，每个卷积块包括逐通道卷积层、跨通道卷积层和批规范化层。

在一个实施例中，所述输出行人属性分析结果的全连接层包括多个全连接层分别用于输出不同的行人属性。

在一个实施例中，所述分析模块利用的所述行人分析网络的训练包括：将所述行人误报判断的损失和所述行人属性分析的损失求平均或进行加权平均后反馈给所述行人分析网络，以优化所述行人分析网络的参数。

在一个实施例中，所述行人误报判断用于判断行人检测结果是否表示行人，所述行人属性分析所分析的行人属性包括回归属性和/或分类属性。

在一个实施例中，所述回归属性包括行人的年龄、身高、体重中的至少一项。

在一个实施例中，所述分类属性包括行人的衣着类型、佩戴物类型、携带物类型中的至少一项。

根据本发明又一方面，提供了一种行人分析***，所述***包括存储装置和处理器，所述存储装置上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行上述任一项所述的行人分析方法。

根据本发明再一方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行上述任一项所述的行人分析方法。

根据本发明实施例的行人分析方法、装置、***和存储介质将行人误报剔除和行人属性分析整合在一起，使用一个训练好的行人分析网络进行行人误报判断和行人属性分析，可以简化产品逻辑并缩短产品的数据流水线，此外由于多任务监督信号的影响，提升了行人分析模型的整体性能。

附图说明

通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1示出用于实现根据本发明实施例的行人分析方法、装置、***和存储介质的示例电子设备的示意性框图；

图2示出根据本发明实施例的行人分析方法的示意性流程图；

图3示出根据本发明实施例的行人分析方法所采用的行人分析网络的示例性结构示意图；

图4示出采用根据本发明实施例的行人分析方法所采用的行人分析网络的逐通道卷积层的示例性示意图；

图5示出根据本发明实施例的行人分析装置的示意性框图；以及

图6示出根据本发明实施例的行人分析***的示意性框图。

具体实施方式

为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。

首先，参照图1来描述用于实现本发明实施例的行人分析方法、装置、***和存储介质的示例电子设备100。

如图1所示，电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106以及输出装置108，这些组件通过总线***110和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。

所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。

所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。

所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。

所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。

示例性地，用于实现根据本发明实施例的行人分析方法和装置的示例电子设备可以被实现诸如智能手机、平板电脑等等移动终端。

下面，将参考图2描述根据本发明实施例的行人分析方法200。如图2所示，行人分析方法200可以包括如下步骤：

在步骤S210，获取针对待处理数据进行行人检测后得到的行人检测结果。

在一个实施例中，待处理数据可以为需要进行行人检测的图片数据和/或视频数据。在一个示例中，待处理数据可以为实时采集的数据。在另一个示例中，待处理数据可以为来自任何源的数据。在一个示例中，可以获取针对待处理数据实时进行行人检测得到的行人检测结果。在另一个示例中，可以获取来自任何源的行人检测结果。

在步骤S220，利用一个训练好的行人分析网络针对所述行人检测结果进行行人误报判断和行人属性分析。

在本发明的实施例中，不采用分开的行人误报模型和行人属性模型分别进行行人误报判断和行人属性分析，而是采用一个训练好的行人分析网络(即用于行人检测后进行的处理的网络，也可以称为行人误报+行人属性的网络)针对步骤S210获取的行人检测结果进行行人误报判断和行人属性分析，可以解决采用分开的行人误报模型和行人属性模型导致的复杂产品逻辑、缺陷产品等问题。

在一个实施例中，步骤S220所采用的行人分析网络可以包括依次连接的卷积层、最大池化层、至少一个卷积块单元、全局池化层以及全连接层，其中，所述全连接层包括输出行人误报判断结果的全连接层和输出行人属性分析结果的全连接层。

在一个示例中，至少一个卷积块单元中的每个卷积块单元可以包括至少一个卷积块。其中，每个卷积块可以包括依次连接的逐通道卷积层、跨通道卷积层和批规范化层(BN-ReLU)。逐通道卷积层是指对于包含多个通道的特征图，对应于每个通道都有一个卷积核。跨通道卷积层是指多个通道共享同一个卷积核，基于跨通道卷积层可以得到跨通道相关性。批规范化层为深度学习中的激活函数。

基于该行人分析网络，行人误报判断和行人属性分析这两项不同的任务会共享前面的卷积层特征图，在全局池化之后，根据任务的不同采用不同的全连接层，分别对应不同的任务。此外，当需要分析的行人属性不止一种时，可以采用不同的全连接层输出不同的行人属性。换言之，行人误报判断、不同的行人属性可分别对应一个全连接层。

示例性地，行人误报判断可以用于判断行人检测结果是否表示行人，行人属性分析所分析的行人属性可以包括回归属性和/或分类属性。其中，所述回归属性包括行人的年龄、身高、体重中的至少一项。所述分类属性包括行人的衣着类型、佩戴物类型、携带物类型中的至少一项。其中，衣着例如包括上衣、下衣、鞋子等；佩戴物例如包括眼镜、口罩、帽子等；携带物例如包括背包、其他手提包等。

示例性地，上述行人分析网络的训练可以包括：将行人误报判断的损失和行人属性分析的损失(loss)求平均或进行加权平均后反馈给所述行人分析网络，以调整优化所述行人分析网络的参数，直至收敛。

下面参照图3描述根据本发明实施例的行人分析方法所采用的行人分析网络的示例性结构示意图。如图3所示，行人分析网络可以包括依次连接的卷积层Conv-1，最大池化层Max-Pool，卷积块单元X-2、X-3和X-4(在图3中，将卷积块单元示出为3个，其仅为示例性的)，全局池化层Global-Pool，以及全连接层FC-1、FC-2和FC-3。其中，全连接层FC-1输出行人误报的结果，全连接层FC-2输出行人属性1，全连接层FC-3输出行人属性2。

其中，卷积块单元X-2、X-3和X-4的结构可以参照图3右上方的块block的结构。每个block可以包括至少一个卷积块conv-block(在图3中，将block示出为包括3个卷积块conv-block，其仅是示例性的)。其中，每个卷积块conv-block可以参照图3最右上方的卷积块conv-block的结构。每个卷积块conv-block可以包括逐通道卷积层(在图3中示出为3×3-CConv，表示卷积核是3×3的逐通道卷积层，其仅是示例性的)、跨通道卷积层(在图3中示出为1×1-Conv，表示卷积核是1×1的跨通道卷积层，其仅是示例性的)和批规范化层(BN-ReLU)。其中，3×3-CConv是指对于包含多个通道的特征图，对应于每个通道都有一个3×3的卷积核。正如前面所述，逐通道卷积层是指对于包含多个通道的特征图，对应于每个通道都有一个卷积核，正如图4所示的。

继续参考图3，在图3中，示出了三个全连接层FC-1、FC-2和FC-3。其中，全连接层FC-1输出行人误报的结果，全连接层FC-2输出行人属性1，全连接层FC-3输出行人属性2。也就是说，在图3的示例中，将输出行人误报结果、输出行人属性1和输出行人属性2作为三种不同的任务。这三种任务共享前面的卷积层特征图，在全局池化之后，模型根据任务的不同引出了三个不同的全连接层FC-1、FC-2和FC-3，分别对应三个不同的任务：输出行人误报结果、输出行人属性1和输出行人属性2。其中，行人误报用来判断行人检测结果是否表示一个人，行人属性1用来判断一些回归性质的特征(年龄、身高、体重等等)，行人属性2用来判断分类性质的特征(衣着类型、佩戴物类型、携带物类型等等)。通过这种划分，不同的模型将使用不同的全局池化特征，并给出准确的误报和属性判断。此外，由于多任务监督信号的影响，提升了模型的整体性能。在对如图3所示的行人分析网络进行训练时，可以将行人误报、行人属性1和行人属性2的loss融合之后一起对网络进行训练，可以将各路loss进行加权平均或者简单平均后反馈给网络，调整网络参数，直至收敛。

基于训练好的行人分析网络，可针对行人检测结果输出行人误报判断结果和行人属性分析结果。

基于上面的描述，根据本发明实施例的行人分析方法将行人误报剔除和行人属性分析整合在一起，使用一个训练好的行人分析网络进行行人误报判断和行人属性分析，可以简化产品逻辑并缩短产品的数据流水线，此外由于多任务监督信号的影响，提升了行人分析模型的整体性能。

以上示例性地描述了根据本发明实施例的行人分析方法。示例性地，根据本发明实施例的行人分析方法可以在具有存储器和处理器的设备、装置或者***中实现。

此外，根据本发明实施例的行人分析方法可以方便地部署到智能手机、平板电脑、个人计算机等移动设备上。替代地，根据本发明实施例的行人分析方法还可以部署在服务器端(或云端)。替代地，根据本发明实施例的行人分析方法还可以分布地部署在服务器端(或云端)和个人终端处。

下面结合图5描述本发明另一方面提供的行人分析装置。图5示出了根据本发明实施例的行人分析装置500的示意性框图。

如图5所示，根据本发明实施例的行人分析装置500包括获取模块510和分析模块520。所述各个模块可分别执行上文中结合图2描述的行人分析方法的各个步骤/功能。以下仅对行人分析装置500的各模块的主要功能进行描述，而省略以上已经描述过的细节内容。

获取模块510用于获取针对待处理数据进行行人检测后得到的行人检测结果。分析模块520用于利用一个训练好的行人分析网络针对所述获取模块获取的行人检测结果进行行人误报判断和行人属性分析。获取模块510和分析模块520均可以由图1所示的电子设备中的处理器102运行存储装置104中存储的程序指令来实现。

在一个实施例中，待处理数据可以为需要进行行人检测的图片数据和/或视频数据。在一个示例中，待处理数据可以为实时采集的数据。在另一个示例中，待处理数据可以为来自任何源的数据。在一个示例中，获取模块510可以获取针对待处理数据实时进行行人检测得到的行人检测结果。在另一个示例中，获取模块510可以获取来自任何源的行人检测结果。

在本发明的实施例中，分析模块520采用一个训练好的行人分析网络(或称为行人误报+行人属性的网络)针对获取模块510获取的行人检测结果进行行人误报判断和行人属性分析，可以解决采用分开的行人误报模型和行人属性模型导致的复杂产品逻辑、缺陷产品等问题。

在一个实施例中，分析模块520所采用的行人分析网络可以包括依次连接的卷积层、最大池化层、至少一个卷积块单元、全局池化层以及全连接层，其中，所述全连接层包括输出行人误报判断结果的全连接层和输出行人属性分析结果的全连接层。

在一个示例中，至少一个卷积块单元中的每个卷积块单元可以包括至少一个卷积块。其中，每个卷积块可以包括依次连接的逐通道卷积层、跨通道卷积层和批规范化层(BN-ReLU)。逐通道卷积层是指对于包含多个通道的特征图，对应于每个通道都有一个卷积核。跨通道卷积层是指多个通道共享同一个卷积核，基于跨通道卷积层可以得到跨通道相关性。批规范化层为深度学习中的激活函数。

基于该行人分析网络，行人误报判断和行人属性分析这两项不同的任务会共享前面的卷积层特征图，在全局池化之后，根据任务的不同采用不同的全连接层，分别对应不同的任务。此外，当需要分析的行人属性不止一种时，可以采用不同的全连接层输出不同的行人属性。换言之，行人误报判断、不同的行人属性可分别对应一个全连接层。

示例性地，行人误报判断可以用于判断行人检测结果是否表示行人，行人属性分析所分析的行人属性可以包括回归属性和/或分类属性。其中，所述回归属性包括行人的年龄、身高、体重中的至少一项。所述分类属性包括行人的衣着类型、佩戴物类型、携带物类型中的至少一项。其中，衣着例如包括上衣、下衣、鞋子等；佩戴物例如包括眼镜、口罩、帽子等；携带物例如包括背包、其他手提包等。

示例性地，上述行人分析网络的训练可以包括：将行人误报判断的损失和行人属性分析的损失(loss)求平均或进行加权平均后反馈给所述行人分析网络，以调整优化所述行人分析网络的参数，直至收敛。

可以参照图3及针对图3的相关描述理解根据本发明实施例的行人分析装置的分析模块520所采用的行人分析网络的示例性结构。为了简洁，此处不再赘述。

基于训练好的行人分析网络，分析模块520可针对行人检测结果输出行人误报判断结果和行人属性分析结果。

基于上面的描述，根据本发明实施例的行人分析装置将行人误报剔除和行人属性分析整合在一起，使用一个训练好的行人分析网络进行行人误报判断和行人属性分析，可以简化产品逻辑并缩短产品的数据流水线，此外由于多任务监督信号的影响，提升了行人分析模型的整体性能。

图6示出了根据本发明实施例的行人分析***600的示意性框图。行人分析***600包括存储装置610以及处理器620。

其中，存储装置610存储用于实现根据本发明实施例的行人分析方法中的相应步骤的程序代码。处理器620用于运行存储装置610中存储的程序代码，以执行根据本发明实施例的行人分析方法的相应步骤，并且用于实现根据本发明实施例的行人分析装置中的相应模块。

在一个实施例中，在所述程序代码被处理器620运行时使得行人分析***600执行以下步骤：获取针对待处理数据进行行人检测后得到的行人检测结果；以及利用一个训练好的行人分析网络针对所述行人检测结果进行行人误报判断和行人属性分析。

在一个实施例中，所述行人分析网络包括依次连接的卷积层、最大池化层、至少一个卷积块单元、全局池化层以及全连接层，其中，所述全连接层包括输出行人误报判断结果的全连接层和输出行人属性分析结果的全连接层。

在一个实施例中，所述至少一个卷积块单元中的每个卷积块单元包括至少一个卷积块，每个卷积块包括逐通道卷积层、跨通道卷积层和批规范化层。

在一个实施例中，所述输出行人属性分析结果的全连接层包括多个全连接层分别用于输出不同的行人属性。

在一个实施例中，所述行人分析网络的训练包括：将所述行人误报判断的损失和所述行人属性分析的损失求平均或进行加权平均后反馈给所述行人分析网络，以优化所述行人分析网络的参数。

在一个实施例中，所述行人误报判断用于判断行人检测结果是否表示行人，所述行人属性分析所分析的行人属性包括回归属性和/或分类属性。

在一个实施例中，所述回归属性包括行人的年龄、身高、体重中的至少一项。

在一个实施例中，所述分类属性包括行人的衣着类型、佩戴物类型、携带物类型中的至少一项。

此外，根据本发明实施例，还提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本发明实施例的行人分析方法的相应步骤，并且用于实现根据本发明实施例的行人分析装置中的相应模块。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。

在一个实施例中，所述计算机程序指令在被计算机运行时可以实现根据本发明实施例的行人分析装置的各个功能模块，并且/或者可以执行根据本发明实施例的行人分析方法。

在一个实施例中，所述计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤：获取针对待处理数据进行行人检测后得到的行人检测结果；以及利用一个训练好的行人分析网络针对所述行人检测结果进行行人误报判断和行人属性分析。

在一个实施例中，所述行人分析网络包括依次连接的卷积层、最大池化层、至少一个卷积块单元、全局池化层以及全连接层，其中，所述全连接层包括输出行人误报判断结果的全连接层和输出行人属性分析结果的全连接层。

在一个实施例中，所述至少一个卷积块单元中的每个卷积块单元包括至少一个卷积块，每个卷积块包括逐通道卷积层、跨通道卷积层和批规范化层。

在一个实施例中，所述输出行人属性分析结果的全连接层包括多个全连接层分别用于输出不同的行人属性。

在一个实施例中，所述行人分析网络的训练包括：将所述行人误报判断的损失和所述行人属性分析的损失求平均或进行加权平均后反馈给所述行人分析网络，以优化所述行人分析网络的参数。

在一个实施例中，所述行人误报判断用于判断行人检测结果是否表示行人，所述行人属性分析所分析的行人属性包括回归属性和/或分类属性。

在一个实施例中，所述回归属性包括行人的年龄、身高、体重中的至少一项。

在一个实施例中，所述分类属性包括行人的衣着类型、佩戴物类型、携带物类型中的至少一项。

根据本发明实施例的行人分析装置中的各模块可以通过根据本发明实施例的行人分析的电子设备的处理器运行在存储器中存储的计算机程序指令来实现，或者可以在根据本发明实施例的计算机程序产品的计算机可读存储介质中存储的计算机指令被计算机运行时实现。

根据本发明实施例的行人分析方法、装置、***和存储介质将行人误报剔除和行人属性分析整合在一起，使用一个训练好的行人分析网络进行行人误报判断和行人属性分析，可以简化产品逻辑并缩短产品的数据流水线，此外由于多任务监督信号的影响，提升了行人分析模型的整体性能。

尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种行人分析方法，其特征在于，所述方法包括：

获取针对待处理数据进行行人检测后得到的行人检测结果；以及

利用一个训练好的行人分析网络针对所述行人检测结果进行行人误报判断和行人属性分析。

2.根据权利要求1所述的方法，其特征在于，所述行人分析网络包括依次连接的卷积层、最大池化层、至少一个卷积块单元、全局池化层以及全连接层，其中，所述全连接层包括输出行人误报判断结果的全连接层和输出行人属性分析结果的全连接层。

3.根据权利要求2所述的方法，其特征在于，所述至少一个卷积块单元中的每个卷积块单元包括至少一个卷积块，每个卷积块包括逐通道卷积层、跨通道卷积层和批规范化层。

4.根据权利要求2所述的方法，其特征在于，所述输出行人属性分析结果的全连接层包括多个全连接层分别用于输出不同的行人属性。

5.根据权利要求1-4中的任一项所述的方法，其特征在于，所述行人分析网络的训练包括：

将所述行人误报判断的损失和所述行人属性分析的损失求平均或进行加权平均后反馈给所述行人分析网络，以优化所述行人分析网络的参数。

6.根据权利要求1所述的方法，其特征在于，所述行人误报判断用于判断行人检测结果是否表示行人，所述行人属性分析所分析的行人属性包括回归属性和/或分类属性。

7.根据权利要求6所述的方法，其特征在于，所述回归属性包括行人的年龄、身高、体重中的至少一项。

8.根据权利要求6所述的方法，其特征在于，所述分类属性包括行人的衣着类型、佩戴物类型、携带物类型中的至少一项。

9.一种行人分析装置，其特征在于，所述装置包括：

获取模块，用于获取针对待处理数据进行行人检测后得到的行人检测结果；以及

分析模块，用于利用一个训练好的行人分析网络针对所述获取模块获取的行人检测结果进行行人误报判断和行人属性分析。

10.一种行人分析***，其特征在于，所述***包括存储装置和处理器，所述存储装置上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1-8中的任一项所述的行人分析方法。

11.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行如权利要求1-8中的任一项所述的行人分析方法。