随着互联网、云计算及多媒体技术的快速发展,数字视频监控系统已广泛部署在各行各业。在这些数字监控系统中,行人身份识别在公共安全中发挥着重要作用。因此,行人智能监控系统成为了一种主流趋势。行人性别识别作为行人身份识别技术的辅助手段,在行人智能监控系统进行远距离目标身份识别中具有重要的研究意义。然而,行人性别识别是一个非常具有挑战性的问题。一方面,由于现有的监控系统很难在远距离条件下捕捉到清晰的人脸图像,因此很难基于人脸信息鉴别行人性别属性;另一方面,行人视角变化、背景杂乱、图像模糊、光照变化及目标遮挡等干扰频繁出现在行人图像上,严重影响行人性别判断。为此,本文从行人图像特点出发,提出两种基于卷积神经网络的行人性别识别方法。本文主要工作如下:1、由于HOG特征能够很好地描述行人局部特征信息,而深度特征是一种更高级自动学习的语义特征,对视角变化、光照改变、目标遮挡和背景杂乱等干扰因素具有较好的鲁棒性。因此,考虑到HOG特征和深度特征各自特点及优势,本文提出了一种基于HOG辅助深度特征学习的行人性别识别算法。所提算法能够同时提取行人图像深度特征和加权HOG特征并对上述两种特征进行有效融合以得到对性别识别更具区分性的特征表示。所提算法与其他行人性别识别方法在多个具有挑战的行人数据集上进行性能比较。实验结果表明所提算法能够更有效地表征行人性别属性,优于现有多种行人性别识别算法。2、卷积神经网络对同一幅行人图像的不同表示形式可能会得到不同的性别预测分数。因此,为了将同幅图像不同表示形式所得到的不同预测分数进行有效融合以获得更优的预测分数,本文提出了一种基于决策信息融合学习的行人性别识别算法。该算法首先利用Prewitt梯度算子滤波器把彩色输入图像转换成边缘轮廓信息丰富的梯度幅值图像;其次,构建两个并行CNN特征学习模块对输入行人原始图像以及对应梯度幅值图像学习深度特征向量;最后,利用所设计决策信息融合模块对上述特征向量所对应的性别预测分数进行有效加权融合。实验结果表明所提算法能够获得较准确的融合预测分数从而更准确地实现性别识别。综上所述,本文所提算法在一定程度上为行人性别识别研究开拓了思路,为行人智能监控系统应用提供了一定的技术支持。