(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211086264.4 (22)申请日 2022.09.06 (71)申请人 广州广电运 通金融电子股份有限公 司 地址 510000 广东省广州市高新 技术产业 开发区科 学城科林路9、 1 1号 (72)发明人 文莉　金晓峰　徐天适　岳许要　 潘新生　 (74)专利代理 机构 杭州创智卓英知识产权代理 事务所(普通 合伙) 33324 专利代理师 郑思思 (51)Int.Cl. G06V 20/54(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/778(2022.01) (54)发明名称 基于深度学习的非机动车属性识别方法、 装 置、 介质及设备 (57)摘要 本发明公开了一种基于深度学习的非机动 车属性识别方法， 包括： 构建非机动车属性识别 模型， 所述模型由多个单一属性模型融合而成， 每一单一属性模 型包括共享层和特有层， 其中每 一单一属性模 型的共享层是相同的， 所述特有层 与所述单一属性模型一一对应； 获取训练样本 集， 所述训练样本集中包括若干个图像信息， 且 已标注属性标签； 采用所述训练样 本集对所述单 一属性模型进行训练， 融合训练好的单一属性模 型， 得到所述非机动车属性识别模型。 本发明解 决了现有技术在对非机动车属性进行识别时存 在速度、 准确率、 鲁棒性欠佳 以及不同属性的预 测能力彼此压制的问题。 权利要求书2页 说明书10页 附图5页 CN 115424218 A 2022.12.02 CN 115424218 A 1.一种基于深度学习的非机动车属性识别方法， 其特 征在于， 所述方法包括： 构建非机动车属性识别模型， 所述非机动车属性识别模型由多个单一属性模型融合而 成， 每一所述单一属 性模型包括共享层和特有层， 其中每一所述单一属 性模型的所述共享 层是相同的， 所述特有层与所述单一属性模型一 一对应； 获取训练样本集， 所述训练样本集中包括若干个图像信息， 每个图像信息中的非机动 车目标已标注属性标签； 采用所述训练样本集对所述单一属性模型进行训练， 融合训练好的单一属性模型， 得 到所述非机动车属性识别模型。 2.如权利要求1所述的基于深度 学习的非机动车属性识别方法， 其特征在于， 所述非机 动车属性模型还通过切片操作将共享层的输出 特征按区域切分出若干个重 叠特征块； 所述重叠特征块分别用于识别与区域相关的单一属性。 3.如权利要求1或2所述的基于深度学习的非机动车属性识别方法， 其特征在于， 所述 共享层通过裁切轻量级深度神经网络 MobilenetV1得到。 4.如权利要求1或2所述的基于深度学习的非机动车属性识别方法， 其特征在于， 所述 获取训练样本集， 所述训练样本集中包括若干个图像信息， 每个图像信息中的非机动车目 标已标注属性标签包括： 获取若干个 应用场景原图像； 采用ssd检测算法对所述应用场景原图像进行目标检测， 获取图像中的所有非机动车 目标； 对所述非机动车目标 标注属性标签。 5.如权利要求4所述的基于深度 学习的非机动车属性识别方法， 其特征在于， 所述采用 所述训练样本集对所述单一属性模型进行训练包括： 将所述非机动车属性识别模型中的一个单一属性模型的共享层类别参数修改为第一 属性类型； 采用所述训练样本集对修改后的所述单一属性模型进行训练， 并采用全连接层损失函 数Softmax  loss与中心损失函数center  loss的联合损失函数进行监督， 得到所述第一属 性模型。 6.如权利要求5所述的基于深度 学习的非机动车属性识别方法， 其特征在于， 所述采用 所述训练样本集对所述单一属性模型进行训练包括： 将所述非机动车属性识别模型中的一个单一属性模型的共享层类别参数修改为第二 属性类型； 基于所述第 一属性模型初始化共享层类别参数为第 二属性类型的单一属性模型， 得到 第二属性模型； 冻结所述第二属性模型中的共享层； 采用所述训练样本集对所述第二属性模型进行训练， 并采用全连接层损失函数 Softmaxl oss与中心损失函数centerl oss的联合损失函数进行监 督， 得到第二属性模型。 7.如权利要求5或6所述的基于深度学习的非机动车属性识别方法， 其特征在于， 所述 重叠特征块按区域切分， 至少包括顶部特 征块、 中部特 征块； 当所述重叠特征块为顶部特征块或中部特征块 时， 所述采用所述训练样本集对所述单权　利　要　求　书 1/2 页 2 CN 115424218 A 2一属性模型进行训练包括： 将所述非机动车属性识别模型中的一个单一属性模型的共享层类别参数修改为第三 属性类型； 基于所述第 一属性模型初始化共享层类别参数为所述第 三属性类型的单一属性模型， 得到所述第三属性模型； 冻结所述第三属性模型中的共享层； 采用所述训练样本集对所述第三属性模型进行训练， 并采用全连接层损失函数 Softmaxl oss与中心损失函数centerl oss的联合损失函数进行监 督， 得到第三属性模型。 8.一种基于深度学习的非机动车属性识别装置， 其特 征在于， 所述装置包括： 构建模块， 用于构建非机动车属性识别模型， 所述非机动车属性识别模型由多个单一 属性模型融合而成， 每一所述单一属 性模型包括共享层和特有层， 其中每一所述单一属 性 模型的所述共享层是相同的， 所述特有层与所述单一属性模型一 一对应； 获取模块， 用于获取训练样本集， 所述训练样本集中包括若干个图像信息， 每个图像信 息中的非机动车目标已标注属性标签； 训练模块， 用于采用所述训练样本集对所述单一属性模型进行训练， 融合训练好的单 一属性模型， 得到所述非机动车属性识别模型。 9.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时实现如权利要求 1至7任一项 所述的基于深度学习的非 机动车属性识别方法。 10.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1至 7任一项所述的基于深度学习的非机动车属性识别方法。权　利　要　求　书 2/2 页 3 CN 115424218 A 3