一种生物属性识别方法、装置、设备和可读存储介质

技术领域

本申请涉及智能识别领域，更具体地说，涉及一种生物属性识别方法、装置、设备和可读存储介质。

背景技术

生物属性识别是指从图像中识别出其中目标人物的生物属性的过程，生物属性可以包括目标人物的性别、年龄等。随着监控视频的普及，如何准确有效地利用视频中的行人信息，挖掘行人相关属性具有很大的价值。示例如，在获得用户授权的情况下，在对人群密集场所进行人群统计时，可与监控视频协同，分析统计出该场所的来往人群年龄分布大致情况和性别分布大致情况，进而得到主要消费群体年龄密集区间以及性别分布情况。

目前的生物属性识别所利用的传统识别模型，都是通过将一系列卷积层与下采样层进行堆叠得到的，服务器通过该传统识别模型识别生物属性的计算量较大，识别效率和准确度较低。

基于上述情况，亟需一种生物属性识别方案，以减少识别计算，提高识别效率和识别准确度。

发明内容

有鉴于此，本申请提供了一种生物属性识别方法、装置、设备和可读存储介质，以提高对目标人物生物属性的识别效率和识别准确度。

一种生物属性识别方法，包括：

获取目标图像，所述目标图像中存在需要生物属性识别的目标人物；

确定生物属性识别模型，所述生物属性识别模型包括特征提取层、稠密连接网络、属性分析网络，所述特征提取层用于对输入的目标图像进行特征提取，生成第一特征图，所述稠密连接网络用于对第一特征图进行特征复用，生成第二特征图，所述属性分析网络用于基于第二特征图，分析确定对所述目标人物的生物属性识别结果；

将所述目标图像输入到所述生物属性识别模型中，得到所述生物属性识别模型输出的对所述目标人物的生物属性识别结果。

优选的，所述确定生物属性识别模型，包括：

获取样本图像，所述样本图像标注有其中存在的样本人物的生物属性；

将所述样本图像输入预设的初始识别模型，得到所述初始识别模型输出的对所述样本图像中样本人物的生物属性识别结果；

以所述样本人物的生物属性识别结果与标注的所述样本人物的生物属性一致为目标，训练所述初始识别模型；

当所述初始识别模型满足预设的训练条件时，将训练完成的初始识别模型作为生物属性识别模型。

优选的，所述属性分析网络，包括降维处理网络、置信度分析网络和属性确定层；

所述属性分析网络基于第二特征图，分析确定对所述目标人物的生物属性识别结果的过程，包括：

将所述第二特征图输入所述降维处理网络进行降维处理和尺寸压缩，得到第三特征图；

通过所述置信度分析网络对所述第三特征图进行全局平均池化处理以及归一化指数处理，得到各类生物属性的类别置信度；

利用所述属性确定层，基于所述各类生物属性的类别置信度，确定对所述样本人物的生物属性识别结果。

优选的，所述稠密连接网络，包括若干稠密块和若干过渡层，每个层的特征图大小相同，层与层之间采用密集连接方式，其中，所述稠密块用于依据预先定义的输入和输出在通道维上的连结方式进行批量归一化、激活和卷积处理，所述过渡层用于控制通道数。

优选的，所述特征提取层，包括提取层和池化处理层；

将所述样本图像输入所述特征提取层，对所述样本图像的进行特征提取，生成第一特征图，包括：

将所述样本图像输入所述提取层，通过卷积运算对图像特征进行提取；

通过所述池化处理层对所述提取层所提取的信息做最大池化处理，生成第一特征图。

优选的，所述置信度分析网络，包括依次连接的第一卷积层、全局平均池化层、第二卷积层、归一处理层。

优选的，所述获取目标图像，包括：

获取待识别视频帧；

依据所述待识别视频帧中目标人物的所处区域，对待识别视频帧进行尺寸变换，生成目标尺寸图像；

对所述目标尺寸图像进行去均值及标准归一化处理，生成目标图像。

一种生物属性识别装置，包括：

图像生成模块，用于获取目标图像，所述目标图像中存在需要生物属性识别的目标人物；

模型确定模块，用于确定生物属性识别模型，所述生物属性识别模型包括特征提取层、稠密连接网络、属性分析网络，所述特征提取层用于对输入的目标图像进行特征提取，生成第一特征图，所述稠密连接网络用于对第一特征图进行特征复用，生成第二特征图，所述属性分析网络用于基于第二特征图，分析确定对所述目标人物的生物属性识别结果；

属性识别模块，用于将所述目标图像输入到所述生物属性识别模型中，得到所述生物属性识别模型输出的对所述目标人物的生物属性识别结果。

一种生物属性识别设备，包括存储器和处理器；

所述存储器，用于存储程序；

所述处理器，用于执行所述程序，实现如上述的生物属性识别方法的各个步骤。

一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述的生物属性识别方法的各个步骤。

从上述的技术方案可以看出，本申请实施例提供的一种生物属性识别方法、装置、设备和可读存储介质，通过将目标图像输入生物属性识别模型中，得到所述生物属性识别模型输出的对所述目标图像中目标人物的生物属性的识别结果，其中所述生物属性识别模型包括特征提取层、稠密连接网络、属性分析网络，所述特征提取层对输入的目标图像进行特征提取，生成第一特征图，所述稠密连接网络用于对第一特征图进行特征复用，生成第二特征图，所述属性分析网络用于基于第二特征图，分析确定对所述目标人物的生物属性识别结果。

生物属性识别模型的稠密连接网络通过特征在通道维上连结实现特征重用，即互相连接所有的层，具体来说就是每个层都会接受来自不同层的特征图作为其额外的输入，以实现特征重用，可实现在参数和计算成本更少的情形下达到更高的识别效率和识别准确度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请公开的一种生物属性识别方法流程图；

图2为本申请公开的一种生物属性识别模型的结构示意图；

图3为本申请公开的又一种生物属性识别模型的结构示意图；

图4为本申请公开的一种生物属性识别装置的结构框图；

图5为本申请公开的生物属性识别设备的硬件结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

接下来介绍本申请方案，本申请提出如下技术方案，具体参见下文。

图1为本申请实施例公开的一种生物属性识别方法流程图，该生物属性识别方法可应用于生物属性识别装置，如图1所示，该方法可以包括：

步骤S1、获取目标图像。

具体的，在获取目标图像时，所述目标图像中存在需要生物属性识别的目标人物，所述目标图像可以是获取摄像头录制视频的视频帧画面作为目标图像，也可以是抓拍得到的照片作为目标图像，或者是通过其他方式获取得到的存在需要进行生物属性识别的目标人物的图像，本实施例对此不作限定。

可以理解的是，当本申请获取的是摄像头录制视频的视频帧画面作为目标图像时，该视频帧画面可以是对某一公共区域、场所实时录制或预先录制完成的视频的某一视频帧的画面。在该视频帧画面中可能同时存在多个人员，其中每一个人员均可以为需要进行生物属性识别的目标人物。

本申请在获取得到目标图像的过程中，可对图像进行包括但不限于尺寸变换、去均值和标准归一化等处理。去除图像中的影响后续处理精度、准确度的因素，使目标图像相较于原始图像更符合既定规则，便于后续处理，同时减少后续的运算量，加速收敛，以提高后续识别的可靠性。

一种可选的实施方式为，获取目标图像的过程可以包括：获取待识别视频帧，依据所述待识别视频帧中目标人物的所处区域，对待识别视频帧进行尺寸变换，生成目标尺寸图像，对所述目标尺寸图像进行去均值及标准归一化处理，生成目标图像。

其中，尺寸变换是指将图像尺寸调整为符合网络输入的尺寸，包括如比例缩放、使用cv.resize()等，比例缩放一般通过计算长宽缩放比例，再通过比例来缩放目标框尺寸利用差值，使用cv.resize()利用插值方法可精确将图像尺寸转换为目标尺寸。

去均值处理为对图像各维度都减对应维度的均值，提升拟合性。在神经网络中，特征值较大的时候，进行反向传播时容易导致梯度消散问题，导致参数改变量很小，难以拟合，效果不好。去均值处理对图像各维度都减对应维度的均值，使得图像各个维度都中心化为0，提升后续拟合性。

标准归一化处理指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，把图像各个特征的尺度控制在相同的范围内，这样可以便于找到最优解，提高收敛效率。

本申请在获取到目标图像之后，还可以对目标图像进行预处理，该预处理过程包括但不限于对图像进行锐化处理和/或去噪处理等。

其中，锐化处理是指补偿图像的边界和轮廓，图像中的物体的区别是图像的亮度值不同，在边界上反应很大的变化，所以锐化的目的是突出物体的细节，或者增强被模糊了的图像细节，锐化处理通过突出图像上人物的边缘、轮廓，或某些线性目标要素的特征，可提升图像清晰度。

去噪处理是指减少数字图像中噪声的过程，目标图像均为数字图像，而数字图像在获取、传输的过程中都可能会受到噪声的污染，常见的噪声主要有高斯噪声和椒盐噪声。其中，高斯噪声主要是由摄像机传感器元器件内部产生的，椒盐噪声主要是由图像切割所产生的黑白相间的亮暗点噪声。这些噪声将成为目标图像干扰的重要原因，通过对目标图像进行去噪处理，可提升目标图像的真实性和准确性。

步骤S2、确定生物属性识别模型。

具体的，人物的生物属性指人体的生物的、生理的属性，包括如年龄、性别等。在获取得到包含需要生物属性识别的目标人物的目标图像后，可以将目标图像输入生物属性识别模型中，该生物属性识别模型可以对目标图像中的目标人物的生物属性进行分析识别，并输出对应的生物属性识别结果。

如图2所示，所述生物属性识别模型包括特征提取层A、稠密连接网络B、属性分析网络C。稠密连接网络作为一种拥有较深层数的卷积神经网络，具有参数数量少、加强特征重用、易训练的特性，同时可缓解梯度消失和模型退化问题。稠密连接网络中包含若干稠密块，其中，对于任一稠密块，稠密块中的任何两层之间都有直接的连接，也就是说，网络每一层的输入都是前面所有层输出的并集，而该层所学习的特征图也会被直接传给其后面所有层作为输入。通过密集连接，缓解梯度消失问题，加强特征传播，鼓励特征复用，极大的减少了参数量。

在本申请中，生物属性识别模型的所述特征提取层可以用于对输入的目标图像进行特征提取，生成第一特征图。生物属性识别模型的所述稠密连接网络可以用于对第一特征图进行特征复用，生成第二特征图。生物属性识别模型的所述属性分析网络可以用于基于第二特征图，分析确定对所述目标人物的生物属性识别结果。

可以理解的是，本申请为了进一步缩短检测时间，并提高检测效率，可以基于标注有其中存在的样本人物的生物属性的样本图像预先训练预设的初始识别模型，将训练完成后的初始识别模型确定为生物属性识别模型，即可以在首次获取目标图像并进行对其中的目标人物进行生物属性识别时，确定对应的生物属性识别模型，并保存该生物属性识别模型，当后续存在对待进行生物属性识别的人物的图像进行生物属性识别时，便可以直接使用该生物属性识别模型，无需再次进行确定。其中，初始识别模型也包含特征提取层、稠密连接网络和属性分析网络，并以所述样本人物的生物属性识别结果与标注的所述样本人物的生物属性一致为目标，在训练过程中，不断对其中各网络结构的各项参数进行调整和修正。

进一步地，本申请采用交叉熵作为损失函数来确定模型训练时的损失值，交叉熵能够衡量同一个随机变量中的两个不同概率分布的差异程度，在机器学习中就表示为真实概率分布与预测概率分布之间的差异。交叉熵的值越小，即损失函数值越小，说明模型预测效果就越好，分析预测结果越准确。通过训练模型中的逻辑函数得到各项生物属性，并结合交叉熵损失函数对初始识别模型开始训练时，交叉熵作为损失函数在进行梯度下降计算的时候可以避免出现梯度弥散，从而导致学习速率降低等问题。

步骤S3、将所述目标图像输入到所述生物属性识别模型中，得到所述生物属性识别模型输出的对所述目标人物的生物属性识别结果。

具体的，将目标图像输入到所述生物属性识别模型中，进行前向传播，生物属性识别模型对目标图像中的目标人物对应的年龄、性别等生物属性进行分析，得到与目标人物对应的每一生物属性，及与每一生物属性对应的类别置信度。根据预先设定的置信度过滤值，确定并返回最终得到的目标人物的生物属性识别结果。当生物属性识别模型的识别结果置信度较高时，即大于预设的置信度过滤值时，可将当前识别结果作为最终的模型输出的识别结果。在实际应用中，对于不同的属性项，预先设定的置信度过滤值也将有所不同，置信度过滤值的设定根据经验值设定，或者对大批数据统计得到，可以理解的是，设定的置信度过滤值越低则精度越小，召回率越高，在实际使用中也可根据实际应用需求设定该置信度过滤值，即需要的精度越高则设定更高的阈值。

以生物属性中的性别属性的识别为例，根据设定的置信度过滤值，过滤后性别应为男性、女性和不确定中的一项。若对性别属性的置信度过滤值设置为0.6，当生物属性识别模型分析得到的性别识别结果的置信度大于或等于0.6，则生物属性识别模型最终输出的性别识别结果为之前分析得到的性别识别结果，如分析得到的性别识别结果为女性，对应置信度为0.7，则最终输出的性别识别结果为女性；当生物属性识别模型分析得到的性别识别结果的置信度小于0.6，则生物属性识别模型最终输出的性别识别结果为不确定，如分析得到的性别识别结果为男性，对应置信度比较小为0.55，则最终输出的性别识别结果为不确定。

从上述的技术方案可以看出，本申请实施例提供的一种生物属性识别方法，通过将目标图像输入生物属性识别模型中，得到所述生物属性识别模型输出的对所述目标图像中目标人物的生物属性的识别结果，其中所述生物属性识别模型包括特征提取层、稠密连接网络、属性分析网络，所述特征提取层对输入的目标图像进行特征提取，生成第一特征图，所述稠密连接网络用于对第一特征图进行特征复用，生成第二特征图，所述属性分析网络用于基于第二特征图，分析确定对所述目标人物的生物属性识别结果。

生物属性识别模型的稠密连接网络通过特征在通道维上连结实现特征重用，即互相连接所有的层，具体来说就是每个层都会接受来自不同层的特征图作为其额外的输入，以实现特征重用，可实现在参数和计算成本更少的情形下达到更高的识别效率和识别准确度。

上述实施例对本申请中的生物属性识别方法的过程进行展开描述，下面将对本申请中生物属性识别模型的确定过程进行说明。

在本申请的一些实施例中，所述确定生物属性识别模型，可以包括：

步骤S21、获取样本图像。

具体的，在对初始识别模型进行训练时，可以获取大量的图像数据作为样本图像，所述样本图像标注有其中存在的样本人物的生物属性。样本图像的可以为预先配置好的样本图像集中的图像，也可以为摄像设备采集的图片或者截取视频帧图片进行预处理，并对应进行标注的图片，这一过程可通过智能预标注与人工标注结合完成。下面以生物属性中的性别识别为例，提供一种可选的生成标注有其中存在的样本人物的性别的样本图像的过程，可以为：

①根据摄像设备采集的视频流按照每隔一定时间间隔截取图片并保存，也可以通过相机直接采集图片；

②检测其中出现的人物，并截取出单个人物保存成图片。

③图片预标注，可通过模型预测的方法进行数据粗标定。这时会有两大类数据集分别为：对标注比较准确的数据(其中预测的置信度分数比较高，同时类别也比较准)，标注比较差的数据(其中预测的置信度分数比较低)。对于以上两类粗标定数据分别做以下处理：对于比较准确的粗标定，只需要人工大致查看类别的准确度的即可，基本上不用调整图片的类别；对应预标注比较差的样本是重点关注的，基本上标注也是在这个部分，需要人工详细检查图片的类别是否分错，如果是类别错误但质量比较好的图片需要人工重新进行标注并放入样本图像集中，如果质量不好的图片则进行抛弃。

目前实践中，初始识别模型粗标定的识别正确率约有85％，而其中检测正确的样本图像在对初始识别模型的实际训练价值不大，因为初始识别模型本身就可以得到较为准确的识别结果，而那些识别错误即粗标注错误，且质量比较好的图像是需要重点关注，这部分图像是需要作为样本图像用于对初始识别模型进行重点训练的。这部分图像的特点是基本上没有存在之前初始识别模型的训练集中或者在训练集中比较少，属于离群样本点，我们需要添加到训练集中去更新初始识别模型的各项参数。

步骤S22、将所述样本图像输入预设的初始识别模型，得到所述初始识别模型输出的对所述样本图像中样本人物的生物属性识别结果。

具体的，在获取样本图像后，可以将样本图像输入至预设的初始识别模型中，以便通过初始识别模型来对样本图像中的样本任务的生物属性进行识别，并输出样本人物的生物属性识别结果。在本申请中，样本图像一种优选图像尺寸为256*128，样本图像的尺寸是可以自定义，在对不同的生物属性进行检测时，为便于检测，应选用与该属性对应的最优的图像尺寸。

在本实施例中，初始识别模型由特征提取层、稠密连接网络和属性分析网络构成，采用交叉熵作为损失函数来确定模型训练时的损失值，并以所述样本人物的生物属性识别结果与标注的所述样本人物的生物属性一致为目标进行训练。在训练过程中，不断对其中各网络结构的各项参数进行调整和修正。其中，初始识别模型的所述特征提取层用于对输入的样本图像进行特征提取，生成第一样本特征图，所述稠密连接网络用于对第一样本特征图进行特征复用，生成第二样本特征图，所述属性分析网络用于基于第二样本特征图，分析确定对所述样本人物的生物属性识别结果。

步骤S23、以所述样本人物的生物属性识别结果与标注的所述样本人物的生物属性一致为目标，训练所述初始识别模型。

具体的，在对初始识别模型进行训练时，可以输入预先获取得到样本图像，如样本视频帧，该样本视频帧可以是视频流按照一定时间间隔截取的图片，并经过预处理生成的图像，该预处理过程包括但不限于对图像进行尺寸变换、锐化处理和去噪处理，通过对样本视频帧进行预处理，从而将其调整到合适尺寸，同时提高样本视频帧的清晰度，便于初始识别模型的训练与输出。

在本申请中，在对初始识别模型进行训练时，通过所述样本图像标注的其中存在的样本人物的生物属性，对初始识别模型的各项参数进行不断修正的过程具体可以包括：

第1步、随机初始识别模型的参数，其中参数可以包括损失函数的参数，网络结构参数等，该损失函数主要用于对初始识别模型进行修正；

第2步、将样本图像中标注的其中存在的样本人物的生物属性输入到初始识别模型中进行损失函数计算，以便计算损失函数的损失值；

第3步、对损失函数进行求导得到梯度，并通过链式计算法进行反向传播，得到更新后的参数；

第4步、不断重复上述步骤2和步骤3，从而不断对初始识别模型进行迭代训练，直到损失函数不再下降，且收敛为止，此时更新最终的参数；

第5步、通过最终的参数，完成对初始识别模型的参数更新。

步骤S24、当所述初始识别模型满足预设的训练条件时，将训练完成的初始识别模型作为生物属性识别模型。

具体的，将样本图像输入到初始识别模型后，可以得到初始识别模型识别的样本人物的生物属性识别结果，接着，可以以所述样本人物的生物属性识别结果与标注的所述样本人物的生物属性一致为目标，来更新模型参数，当所述初始识别模型满足预设的训练条件时，可以将训练完成的初始识别模型作为生物属性识别模型，该初始识别模型可以快速准确地识别样本图像中样本人物的各项生物属性。

本申请的初始识别模型采用了稠密连接网络，改善不同层之间信息流的的问题，加强特征传播，鼓励特征重用，大幅度减少参数数量，不需要学习冗余的特征映射，相比于现有模型，训练速度更快，训练效率更高，且训练完成后的模型的检测效率和检测精度均较高。

在本申请的一些实施例中，对本申请的生物属性识别模型的结构功能进行具体介绍，所述生物属性识别模型包括特征提取层A、稠密连接网络B、属性分析网络C。下面结合图3，依次对特征提取层A、稠密连接网络B、属性分析网络C进行具体介绍。

特征提取层A：

可选的，所述特征提取层A，包括提取层A1和池化处理层A2，则将所述样本图像输入所述特征提取层，对所述样本图像的进行特征提取，生成第一特征图，包括：

①将所述样本图像输入所述提取层，通过卷积运算对图像特征进行提取。

具体的，提取层的功能是对输入的图像数据进行卷积运算，实现对图像特征的提取，提取层参数包括卷积核大小、步长和填充，三者共同决定了特征提取层输出特征图的尺寸。其中卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的输入特征越复杂。

一种可选的设置方式，对所述提取层，卷积核大小为3*3，步长为2，填充为1，卷积输入图片尺寸为3*96*96(分别对应长、宽、高)；对输入图片做卷积输出维度为24*48*48。

②通过所述池化处理层对所述提取层所提取的信息做最大池化处理，生成第一特征图。

具体的，最大池化处理通过对池化区域的所有像素值取最大值，使得到的特征数据对纹理信息更加敏感，池化后的这些统计特征不仅具有低得多的维度，同时训练结果不容易过拟合。

一种可选的设置方式，所述池化处理层，卷积核大小为2*2，步长为2，该层输入特征尺寸为24*48*48(分别对应长、宽、高)；该层输出的第一特征图维度为24*24*24。

稠密连接网络B：

可选的，所述稠密连接网络B，包括若干稠密块和若干过渡层，每个层的特征图大小相同，层与层之间采用密集连接方式，其中，所述稠密块用于依据预先定义的输入和输出在通道维上的连结方式进行批量归一化、激活和卷积处理，所述过渡层用于控制通道数。

具体的，对于其中的任一稠密块，使用“批量归一化、激活和卷积”结构，稠密块由多个conv_block组成，每块使用相同的输出通道数，但在前向计算时，将每块的输入和输出在通道维上连结，减少网络参数。由于每个稠密块都会带来通道数的增加，使用过多则会带来过于复杂的模型，因此在稠密块后使用过渡层来控制通道数。过渡层中设置有卷积层和最大池化层，通过1×1卷积层来减小通道数，并使用步幅为2的最大池化层减半高和宽，从而进一步降低模型复杂度。

一种可选的设置方式，对于任一稠密块，其中包含六层，分别为：第一层为卷积层，卷积核大小为1*1，步长为1，填充为0；第二层为卷积层，卷积核大小为3*3，步长为1，填充为1；第三层为concat层，合并池化处理层输出结果和第二层的所述卷积层输出结果；第四层为卷积层，卷积核大小为1*1，步长为1，填充为0；第五层为卷积层，卷积核大小为3*3，步长为1，填充为1；第六层为concat层，合并第三层concat层输出的结果和第五层卷积层输出的结果。

对于任一过渡层，其中包含两层，分别为：第一层为卷积层，卷积核大小为1*1，步长为1，填充为0；第二层为最大池化层，卷积核大小为2*2，步长为2。

属性分析网络C：

可选的，对于所述属性分析网络C，可以包括：降维处理网络C1、置信度分析网络C2和属性确定层C3，则所述属性分析网络基于第二特征图，分析确定对所述目标人物的生物属性识别结果的过程，具体可以包括：

①将所述第二特征图输入所述降维处理网络C1进行降维处理和尺寸压缩，得到第三特征图。

具体的，所述降维处理网络包括两层，分别为：第一层为卷积层，第二层为最大池化层。本申请中，降维处理网络的卷积层和最大池化层依次对第二特征图进行降维处理和尺寸压缩处理，进而生成第三特征图。

其中，卷积层为卷积核1*1的卷积层，特征图和1*1的卷积核做卷积时，只需要考虑当前像素即可，并不需要考虑周围的像素值，因此卷积核为1*1的卷积层可以用来调节特征图的通道数，对不同通道上的像素点进行线性组合，即可实现对特征图的降维，在实现灵活地控制特征图的深度的同时，起到减少参数量的作用。

最大池化层对卷积层所提取的信息做更一步降维，去除冗余信息、对特征进行压缩、减少计算量和内存消耗，同时最大池化层可加强图像特征的不变性，增加图像的偏移、旋转等方面的鲁棒性。

②通过所述置信度分析网络C2对所述第三特征图进行全局平均池化处理以及归一化指数处理，得到各类生物属性的类别置信度。

具体的，所述置信度分析网络C2包括四层，分别为依次连接的第一卷积层、全局平均池化层、第二卷积层、归一处理层。

其中，卷积层均为卷积核1*1的卷积层，用来调节特征图的通道数，对不同通道上的像素点进行线性组合，即可实现对特征图的降维。在本申请中，置信度分析网络的卷积层用来对特征图进行降维处理。

全局平均池化层用于对输出的每一通道的特征图的所有像素计算平均值，并用该数值表示对应特征图。若对每个特征图一整张图片进行全局均值池化，这样每张特征图都可以得到一个输出，采用全局平均池化，可以大大减小网络参数，避免过拟合，此外，每张特征图相当于一个输出特征，然后这个特征就表示了我们输出类的特征。全局平均池化对空间信息进行了求和，因而对输入的空间变换更具有稳定性，通过加强特征图与类别的一致性，让卷积结构更简单，不需要进行参数优化，避免过拟合情况。

归一处理层利用归一化指数函数，将一个含任意实数的k维向量z“压缩”到另一个k维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。归一化指数函数多用于多分类问题中,目的是将多分类的结果以概率的形式展现出来。在本申请中，置信度分析网络对所述第三特征图进行全局平均池化处理以及归一化指数处理，最终将得到各类生物属性的类别置信度，即各类生物属性的对应的标准预测结果准确度的概率值。

③利用所述属性确定层C3，基于所述各类生物属性的类别置信度，确定对所述样本人物的生物属性识别结果。

具体的，结合预先设定的置信度过滤值，以及所述各类生物属性的类别置信度，确定并返回最终得到的目标人物的生物属性识别结果。置信度过滤值的设定根据经验值设定，或者对大批数据统计得到，在实际应用中，对于不同的属性项，预先设定的置信度过滤值也将有所不同，设定的置信度过滤值越低则精度越小，召回率越高，在实际使用中也可根据实际应用需求设定该置信度过滤值，即需要的精度越高则设定更高的阈值。当生物属性识别模型的识别结果置信度较高时，即大于预设的置信度过滤值时，可将当前识别结果作为最终的模型输出的识别结果，否则当前生物属性项的识别结果为不确定。

本申请提供的生物属性识别方法，可以应用于公共场所的大数据普查领域，示例如，公安机关可以使用本申请的生物属性识别方法，对公共区域的流动人员进行生物属性识别和统计，以针对某一特定公共区域实现对当地人口的大数据统计分析，方便后续人口数据普查工作。在使用本申请时，可以在具体的应用的公共场所、区域中，设立指示标志，以提醒人员在进出该公共场所、区域时，将会采集该人员的生物属性，并纳入该区域的生物属性统计中，进而可以在获得用户授权的情况下，合法的对人员生物属性进行识别，以实现本申请的生物属性识别方法。

表1为例举的一种可选的生物属性识别模型的网络结构参数表，可对目标人物的生物属性进行识别。

如表1所示，其中记载了每一层的输出特征图尺寸，以及每一层的相关参数，在本示例中稠密连接网络中共有4个稠密块和2层过渡层组成，每个稠密块的基础通道数随着尺寸变小而增大，同时网络输入的特征图大小为256*128。

对于每一稠密模块，分别有4层卷积层和2层concat层构成。其中，对于每一稠密块的concat层，将其本身所处稠密块中concat层的上一层的卷积结果，以及其所在的稠密块的连接的上一层的最终结果进行合并，并输出新的结果。

示例如，在表1所示的稠密连接网络中，稠密块B1中第三层的concat层，其合并特征提取层A2的输出和稠密块B1中第三层的卷积层的输出结果，输出维度为32*64*32。稠密块B1中第六层的concat层，合并第三层为concat层输出的结果和稠密块B1中第五层卷积输出的结果，输出维度为40*64*34。稠密块B3中第三层为concat层，合并过渡层B2第二层最大池化层输出和稠密块B3中第二层的卷积层输出结果，输出维度为40*32*16。稠密块B3第六层的concat层，合并稠密块B3第三层为concat层的输出的结果和稠密块B3第五层卷积输出的结果，维度为48*32*16。

/>

/>

/>

表1

下面对本申请实施例提供的生物属性识别装置进行描述，下文描述的生物属性识别装置与上文描述的生物属性识别方法可相互对应参照。

参见图4，图4为本申请实施例公开的一种生物属性识别装置的结构框图。

如图4所示，所述生物属性识别装置可以包括：

图像生成模块110，用于获取目标图像，所述目标图像中存在需要生物属性识别的目标人物；

模型确定模块120，用于确定生物属性识别模型，所述生物属性识别模型包括特征提取层、稠密连接网络、属性分析网络，所述特征提取层用于对输入的目标图像进行特征提取，生成第一特征图，所述稠密连接网络用于对第一特征图进行特征复用，生成第二特征图，所述属性分析网络用于基于第二特征图，分析确定对所述目标人物的生物属性识别结果；

属性识别模块130，用于将所述目标图像输入到所述生物属性识别模型中，得到所述生物属性识别模型输出的对所述目标人物的生物属性识别结果。

从上述的技术方案可以看出，本申请实施例提供的一种生物属性识别装置，通过将目标图像输入生物属性识别模型中，得到所述生物属性识别模型输出的对所述目标图像中目标人物的生物属性的识别结果，其中所述生物属性识别模型包括特征提取层、稠密连接网络、属性分析网络，所述特征提取层对输入的目标图像进行特征提取，生成第一特征图，所述稠密连接网络用于对第一特征图进行特征复用，生成第二特征图，所述属性分析网络用于基于第二特征图，分析确定对所述目标人物的生物属性识别结果。

生物属性识别模型的稠密连接网络通过特征在通道维上连结实现特征重用，即互相连接所有的层，具体来说就是每个层都会接受来自不同层的特征图作为其额外的输入，以实现特征重用，可实现在参数和计算成本更少的情形下达到更高的识别效率和识别准确度。

在本申请的一些实施例中，所述模型确定模块120，可以包括：

样本获取单元，用于获取样本图像，所述样本图像标注有其中存在的样本人物的生物属性；

样本输入单元，用于将所述样本图像输入预设的初始识别模型，得到所述初始识别模型输出的对所述样本图像中样本人物的生物属性识别结果；

样本训练单元，用于以所述样本人物的生物属性识别结果与标注的所述样本人物的生物属性一致为目标，训练所述初始识别模型；

训练完成单元，用于当所述初始识别模型满足预设的训练条件时，将训练完成的初始识别模型作为生物属性识别模型。

在本申请的一些实施例中，所述生物属性识别模型的属性分析网络，可以包括降维处理网络、置信度分析网络和属性确定层；

所述降维处理网络，用于对输入的所述第二特征图进行降维处理和尺寸压缩，得到第三特征图；

所述置信度分析网络，用于对所述第三特征图进行全局平均池化处理以及归一化指数处理，得到各类生物属性的类别置信度；

所述属性确定层，用于基于所述各类生物属性的类别置信度，确定对所述样本人物的生物属性识别结果。

可选的，所述置信度分析网络，可以包括依次连接的第一卷积层、全局平均池化层、第二卷积层、归一处理层。

在本申请的一些实施例中，所述生物属性识别模型的所述稠密连接网络，可以包括若干稠密块和若干过渡层，每个层的特征图大小相同，层与层之间采用密集连接方式，其中，所述稠密块用于依据预先定义的输入和输出在通道维上的连结方式进行批量归一化、激活和卷积处理，所述过渡层用于控制通道数。

在本申请的一些实施例中，所述生物属性识别模型的所述特征提取层，可以包括提取层和池化处理层；

所述提取层，用于通过卷积运算对输入的所述样本图像的图像特征进行提取；

所述池化处理层，用于对所述提取层所提取的信息做最大池化处理，生成第一特征图。

在本申请的一些实施例中，所述图像生成模块110，可以包括：

视频帧获取单元，用于获取待识别视频帧；

尺寸变换单元，用于依据所述待识别视频帧中目标人物的所处区域，对待识别视频帧进行尺寸变换，生成目标尺寸图像；

归一处理单元，用于对所述目标尺寸图像进行去均值及标准归一化处理，生成目标图像。

本申请实施例提供的生物属性识别装置可应用于生物属性识别设备。图5示出了生物属性识别设备的硬件结构框图，参照图5，生物属性识别设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；

在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；

存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：

获取目标图像，所述目标图像中存在需要生物属性识别的目标人物；

确定生物属性识别模型，所述生物属性识别模型包括特征提取层、稠密连接网络、属性分析网络，所述特征提取层用于对输入的目标图像进行特征提取，生成第一特征图，所述稠密连接网络用于对第一特征图进行特征复用，生成第二特征图，所述属性分析网络用于基于第二特征图，分析确定对所述目标人物的生物属性识别结果；

将所述目标图像输入到所述生物属性识别模型中，得到所述生物属性识别模型输出的对所述目标人物的生物属性识别结果。

可选地，所述程序的细化功能和扩展功能可参照上文描述。

本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：

获取目标图像，所述目标图像中存在需要生物属性识别的目标人物；

确定生物属性识别模型，所述生物属性识别模型包括特征提取层、稠密连接网络、属性分析网络，所述特征提取层用于对输入的目标图像进行特征提取，生成第一特征图，所述稠密连接网络用于对第一特征图进行特征复用，生成第二特征图，所述属性分析网络用于基于第二特征图，分析确定对所述目标人物的生物属性识别结果；

将所述目标图像输入到所述生物属性识别模型中，得到所述生物属性识别模型输出的对所述目标人物的生物属性识别结果。

可选地，所述程序的细化功能和扩展功能可参照上文描述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。