本申请涉及计算机，尤其涉及一种人物属性分类方法、装置、存储介质及计算机设备。
背景技术：
1、在计算机视觉技术的蓬勃发展中，人物属性分类正逐步成为智能视频监控系统的核心组成部分。该技术通过深度学习等先进算法，实现了对监控视频中行人信息的自动化提取与高级语义转换，如性别、年龄及服饰风格等属性特征的精准识别，其在各个领域中均具有广泛的应用潜力。
2、尽管人物属性分类技术在近年来取得了显著的进展，但其分类能力仍然面临诸多挑战，导致在某些复杂场景下识别效果不尽如人意。例如，人体属性具有多样性，各个属性本身具有较大的类内差异和较小的类间差异，如不同年龄段的穿着习惯和某些服饰在性别上的模糊性，导致现有技术的分类能力较差。
技术实现思路
1、本申请的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中人体属性具有多样性，各个属性本身具有较大的类内差异和较小的类间差异，导致现有技术的分类能力较差的技术缺陷。
2、本申请提供了一种人物属性分类方法，所述方法包括：
3、获取待分类的人物图像，以及确定所述人物图像的待分类属性；
4、确定所述待分类属性对应的目标属性分类模型；所述目标属性分类模型由特征识别网络和分类器组合得到；其中，所述特征识别网络中预先设置有带间隔的softmax损失函数，所述分类器中预先设置有分类损失函数；
5、将所述人物图像输入至所述目标属性分类模型中，得到所述目标属性分类模型输出的所述人物图像在所述待分类属性下的预测分类结果。
6、可选地，所述确定所述待分类属性对应的目标属性分类模型，包括：
7、获取与所述待分类属性对应的样本图像数据，所述样本图像数据包括基于所述待分类属性进行标注的真实分类结果；
8、将所述样本图像数据输入至预设的初始属性分类模型中，得到所述初始属性分类模型输出的所述样本图像数据在所述待分类属性下的预测分类结果；
9、以所述预测分类结果趋近于所述真实分类结果为目标，并利用带间隔的softmax损失函数和分类损失函数对所述初始属性分类模型进行训练；
10、当所述初始属性分类模型满足预设的训练结束条件时，将训练完成的初始属性分类模型作为目标属性分类模型。
11、可选地，所述获取与所述待分类属性对应的样本图像数据，包括：
12、确定所述待分类属性下的多个分类类型，并按照等比例获取每一分类类型对应的样本人物图像；
13、基于各个分类类型在每一样本人物图像中标注真实分类结果，并对各个标注后的样本人物图像进行图像混合，形成样本图像数据。
14、可选地，所述以所述预测分类结果趋近于所述真实分类结果为目标，并利用带间隔的softmax损失函数和分类损失函数对所述初始属性分类模型进行训练，包括：
15、利用带间隔的softmax损失函数对所述预测分类结果进行计算，得到识别损失值，以及，利用分类损失函数计算所述预测分类结果与所述真实分类结果之间的分类损失值；
16、根据所述识别损失值和所述分类损失值确定所述初始属性分类模型的总损失值，并基于所述总损失值更新所述初始属性分类模型中的参数。
17、可选地，所述总损失值的计算表达式包括：
18、
19、式中，loss表示总损失值；loss1表示带间隔的softmax损失函数的识别损失值；loss2表示分类损失函数的分类损失值；a表示识别损失值的调整权重；b表示分类损失值的调整权重。
20、可选地，所述将所述人物图像输入至所述目标属性分类模型中，得到所述目标属性分类模型输出的所述人物图像在所述待分类属性下的预测分类结果，包括：
21、将所述人物图像输入至所述特征识别网络中，得到所述特征识别网络对所述人物图像进行特征识别得到的人物特征向量；
22、利用所述分类器对所述人物特征向量进行特征分类，得到所述人物图像在所述待分类属性下的预测分类结果。
23、可选地，所述利用所述分类器对所述人物特征向量进行特征分类，得到所述人物图像在所述待分类属性下的预测分类结果，包括：
24、将所述人物特征向量输入至所述分类器中，以使所述分类器基于所述待分类属性对所述人物特征向量进行概率预测，得到所述待分类属性下每一分类类型的预测概率；
25、通过所述分类器对各个预测概率进行排序，并将排序结果中预测概率最大的分类类型作为所述分类器输出的预测分类结果。
26、本申请还提供了一种人物属性分类装置，包括：
27、图像获取模块，用于获取待分类的人物图像，以及确定所述人物图像的待分类属性；
28、模型确定模块，用于确定所述待分类属性对应的目标属性分类模型；所述目标属性分类模型由特征识别网络和分类器组合得到；其中，所述特征识别网络中预先设置有带间隔的softmax损失函数，所述分类器中预先设置有分类损失函数；
29、模型分类模块，用于将所述人物图像输入至所述目标属性分类模型中，得到所述目标属性分类模型输出的所述人物图像在所述待分类属性下的预测分类结果。
30、本申请还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述人物属性分类方法的步骤。
31、本申请还提供了一种计算机设备，包括：一个或多个处理器，以及存储器；
32、所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，执行如上述实施例中任一项所述人物属性分类方法的步骤。
33、从以上技术方案可以看出，本申请实施例具有以下优点：
34、本申请提供的人物属性分类方法、装置、存储介质及计算机设备，当需要对人物图像进行属性分类时，可以先确定该人物图像的待分类属性，然后可以确定该待分类属性对应的目标属性分类模型，以通过单属性的模型来提高属性分类能力。由于该模型由特征识别网络和分类器组合得到，这里的特征识别网络中预先设置有带间隔的softmax损失函数，分类器中预先设置有分类损失函数。其中， 带间隔的softmax损失函数可以通过减小类内样本特征之间的角度差异以及增加类间样本特征之间的角度差异，使得属于同一类别的样本在特征空间中的表示更加紧凑，并让不同类别的样本在特征空间中的表示更加分散，进而提高模型的分类能力；此外，分类损失函数可以通过动态调整属性中不同类别样本的权重，使得模型更加关注那些难以识别的类型，进一步提高模型的分类能力。因此，本申请将人物图像输入至目标属性分类模型中，可以得到目标属性分类模型输出的在待分类属性下具有高精准度的预测分类结果。
1.一种人物属性分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的人物属性分类方法，其特征在于，所述确定所述待分类属性对应的目标属性分类模型，包括：
3.根据权利要求2所述的人物属性分类方法，其特征在于，所述获取与所述待分类属性对应的样本图像数据，包括：
4.根据权利要求2所述的人物属性分类方法，其特征在于，所述以所述预测分类结果趋近于所述真实分类结果为目标，并利用带间隔的softmax损失函数和分类损失函数对所述初始属性分类模型进行训练，包括：
5.根据权利要求4所述的人物属性分类方法，其特征在于，所述总损失值的计算表达式包括：
6.根据权利要求1所述的人物属性分类方法，其特征在于，所述将所述人物图像输入至所述目标属性分类模型中，得到所述目标属性分类模型输出的所述人物图像在所述待分类属性下的预测分类结果，包括：
7.根据权利要求6所述的人物属性分类方法，其特征在于，所述利用所述分类器对所述人物特征向量进行特征分类，得到所述人物图像在所述待分类属性下的预测分类结果，包括：
8.一种人物属性分类装置，其特征在于，包括：
9.一种存储介质，其特征在于：所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述人物属性分类方法的步骤。
10.一种计算机设备，其特征在于，包括：一个或多个处理器，以及存储器；
