随着模式识别和机器视觉技术的不断发展,行人属性识别在智能视频监控场景显示出巨大的潜力。人们迫切的希望获取视频中有关行人更多的特征,例如外貌特征、性别特征、年龄特征等。目前大多数行人属性识别方法都只关注行人的整体特征,忽略了对行人细粒度特征的识别和局部特征的提取,而且因为视角的变化和行人姿态的改变,一些语义组件之间会发生不同程度的空间偏移,给行人属性识别带来了许多困难。针对行人属性识别中存在的问题,本文进行了深入研究,主要包括:(1)提出基于注意力机制与空间金字塔池化的行人属性识别方法。在特征提取中,该方法通过注意力机制强化不同维度的特征,提升行人整体特征表达,并且加入空间金字塔池化操作,实现任意大小的图像输入,更好地保留了图像特征;在模型训练中,通过加权交叉熵损失函数对不同行人属性使用不同的权重,解决因样本数据不均衡导致模型泛化能力较差的问题。实验结果表明,本文中提出的行人属性识别方法可以提取到更高层语义信息,具有较高的行人细粒度特征识别精度。(2)提出基于注意力机制与空洞卷积的行人属性识别方法。该方法通过注意力机制提升行人整体特征表达,并且基于空洞卷积构建了多视角特征识别模块,对于空间偏移不明显的属性,用较小的感受野进行识别,对于较大尺度空间偏移的属性,用较大的感受野进行识别,通过多种感受野相结合提取行人不同尺度的特征,从而提升行人属性识别精度。实验结果表明,本文提出的方法具有较高的多视角场景行人属性识别精度,受复杂视频监控环境的影响较小。