买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京航空航天大学;杭州海康威视数字技术股份有限公司申请的专利一种适用于复杂监控场景的行人属性识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117115851B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310608449.5，技术领域涉及：G06V40/10；该发明授权一种适用于复杂监控场景的行人属性识别方法是由周亦博;于金佐;李波;胡海苗;浦世亮;任文奇;张世峰设计研发完成，并于2023-05-27向国家知识产权局提交的专利申请。

本一种适用于复杂监控场景的行人属性识别方法在说明书摘要公布了：一种在监控场景下，基于去除深度模型在推理过程中学习到的冗余属性间共现偏置，以实现在变化场景下更好泛化性能的行人属性识别方法。包括：一种新的属性信息解耦特征的生成方式。在模型对某一属性的识别和推理过程中，利用特征的线性插值与标签的线性插值匹配这一先前研究中的实验观察，通过最小化该属性的特化特征与其他属性预测概率间的互信息，以减少对于其他属性信息的利用，在显著降低训练时间的前提下实现了更好的准确率；一种新的特征插值方法。本发明提出了方向‑范数分离的特征插值方法，该方法相比于原始的插值过程，可以更好地发掘与探索属性特征的分布域，进而提高了模型的最终效果；使用卷积神经网络，按照以上算法框架，以特定训练参数配置对模型进行训练，得到行人属性识别模型。本方法可以实现在发生时空变化的监控场景中更加精确和稳定的行人属性识别结果。

本发明授权一种适用于复杂监控场景的行人属性识别方法在权利要求书中公布了：1.一种适用于复杂监控场景的行人属性识别方法，其特征在于包括以下步骤： S1.生成属性信息解耦后的特征，包括：在基于ConvNeXt作为特征提取器的行人属性识别模型对行人属性的识别和推理过程中，在特征的线性插值与标签的线性插值匹配的实验观察的基础上，最小化不同行人属性特化特征之间的互信息，以避免不同行人属性识别结果之间的过度相互依赖， 所述步骤S1包括： S1.1首先使用ResNet-50或者ConvNeXt-base特征提取器产生属性信息混杂的、形状为[N,K]的视觉特征，其中N为训练批次的batch大小，K为特征向量的维度， 将该视觉特征经过一个权重矩阵尺寸为[K,C*K]的全连接层处理后，产生[N,C*K]尺寸的全连接层处理后特征，C为待预测属性总数， 之后将此全连接层处理后特征重排，得到形状为[N,C,K]的、三维的属性特化特征矩阵A，其中A的第二个维度上每个通道中的特征分量为对应用于某一属性预测的属性特化特征向量，其中A的第二个维度上每个通道中的特征分量的形状为[N,1,K]，其中，以A[:,i,:]表示三维矩阵A的第二个维度上的第i个元素，且当A的形状为[A,B,C]时A[:,i,:]的形状为[A,C]，则期望的是A[:,j,:]所对应的属性特化特征向量仅仅包含可用于识别第j个行人属性的特征语义，而不含有任何可以降低第j个属性之外其他属性的不确定性的特征语义，即属性特化特征向量与待识别属性一一对应， S1.2从0-1均匀分布中产生N*C个随机数，并将所生成的随机数重排为[N,C,1]形状的插值权重矩阵，并在插值权重矩阵的第三个维度进行次数为K的复制，获得形状为[N,C,K]的插值矩阵W，之后与属性特化特征矩阵A按照如下方式进行线性组合即元素维度上的相乘运算： 其中A’是A在第一个维度上的随机打乱后获得的重排后属性特化特征矩阵，上式获得的随机插值后的矩阵即为经过扰动的插值后属性特化特征矩阵， S1.3将在第二个维度上的所有属性特化特征向量相加后直接喂入分类器，并要求分类器进行对应于使用插值矩阵W进行对应属性标签插值后的标签结果的预测， 其中： 将形状为[N,C]的属性标签矩阵增加一个额外的维度，并在此属性标签矩阵的该额外的维度上进行K次复制操作，获得形状为[N,C,K]的三维属性标签矩阵Y， 之后基于插值矩阵W，进行如下操作，以生成插值后的、三维的属性标签矩阵 其中Y’矩阵是按照和生成A’时相同的打乱顺序，在第一个维度进行重排之后的重排三维标签矩阵，是形状为[N,C,K]的插值后的、三维的属性标签矩阵， 之后，将插值后属性特化特征矩阵在第二个维度进行加和，获得[N,K]维度的加和降维后特征矩阵，并将加和降维后特征矩阵传入分类器，通过交叉熵损失，使得分类器产生的属性预测概率输出与上式中得到的插值后三维属性标签矩阵Y相同,即训练目标函数为 其中： Loss是损失函数符号，表示用于产生反向传播进行参数更新的梯度的目标函数， P是概率符号，表示分类器在接受括号内的输入后所输出的一组对各行人属性出现概率的预测， 使用上式，使得第j个属性的预测概率值，仅仅取决于插值后属性特化特征矩阵的第二维的第j个属性特化特征，即产生插值后属性特化特征矩阵的第二维的第j个属性特化特征的插值权重与产生插值后的、三维的属性标签矩阵的第二维度的第j个属性标签的插值权重相同，，且与所遍历位置j之外其他位置所对应的属性特化特征向量的变化无关， 所述目标函数保证了所遍历位置j之外其他位置所对应的属性特化特征向量中不会包含影响第j个属性预测结果的特征语义，确保了特定属性的预测概率和其他属性特化特征之间的信息解耦。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京航空航天大学;杭州海康威视数字技术股份有限公司，其通讯地址为：100191 北京市海淀区学院路37号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。