行人属性识别是计算机视觉研究中一项重要任务,在视频监控中起着重要作用,近年来应用于行人再识别、人脸验证和行人检索等多个方面。行人属性是行人语义特征的描述,包括服装属性和生物特征(如年龄和性别)属性等。虽然现在已经有很多关于行人属性识别研究,但由于遮挡、模糊和低分辨率等因素的影响,行人属性识别仍然是计算机视觉研究中一个具有挑战性和前沿性的难点问题。本文把行人属性识别形式转化为多标签分类任务,由于属性标签之间是存在相关性的,比如穿裙子的大部分都是女性,大部分的男性不是长头发。所以针对属性之间的相关性,本文提出了一种基于字典学习的模型有效表征属性相关性。进一步,本文将属性标签之间的相关性建模成非线性的结构化关系,提出一种端到端的基于融合图卷积网络的识别模型,进而提升属性识别准确率。本文的主要工作包括以下两个内容:(1)基于字典学习的行人属性识别模型。为了对多个属性进行联合建模,将属性建模为一个子空间,并引入字典来表示它,其中字典的每个原子表示一个属性。具体地来说,通过字典将特征投射到稀疏向量上,向量的第i个元素对应于第i个属性的预测置信度。同时为了提取出更适合于属性预测的特征,将字典建模为与卷积神经网络联合学习的一个网络层,称为属性预测层。最后,根据字典和卷积神经网络的学习方式,提出了一种基于字典和卷积神经网络的联合优化算法。(2)基于融合图卷积网络的行人属性识别模型。属性标签之间的依赖性不仅可以建模成线性关系,同时也可以建模成一种非线性关系,因此为了捕获和探索这些非线性关系,本文提出一种融合图卷积网络的端到端的属性识别模型。该模型中每个节点代表一个属性,其特征通过卷积神经网络进行学习得到。并且,根据数据集训练样本中每对属性成对出现的概率,来构建属性的关系矩阵来指导图卷积网络中节点间的信息传播。同时为了增加模型的泛化能力,减少网络的复杂度,采用阈值的方式来优化关系矩阵。针对属性之间的相关性,本文提出了两种属性识别算法。经实验证明,算法在通用的行人属性识别数据集PETA和PA-100k上提高了属性识别的性能,并且优于当前主流方法。