1.关系引导的行人属性识别方法，其特征在于包括：S1)以卷积神经网络提取图像特征，对网络进行约束，将特征图与属性进行关联，并将特征图转化为一维向量，该向量与属性具有强关联，简称为属性特征向量；S2)根据S1)生成的属性特征向量，引入自注意力机制，生成二维矩阵，该二维矩阵代表属性之间关系，该二维矩阵为关系矩阵；S3)根据行人属性的关系种类，将行人属性关系分为显性关系和隐性关系，通过S1)提出的属性特征向量和S2)提出的关系矩阵生成方式，生成不同类型的属性关系矩阵， 其中：显性关系代表在人的认知下的先验信息关系，包括层级关系和空间位置关系；隐性关系代表无人的先验信息引导，通过数据驱动的方式构建的属性关系；S4)根据关系矩阵和属性特征向量，以图卷积的形式充分利用关系矩阵，进行属性推理预测；S5)选用加权交叉熵损失函数，解决正负样本不均匀问题，平衡正负样本；S6)将测试集输入到行人属性识别模型中进行识别，对行人属性识别模型的实验结果进行评估，其中：所述步骤S1)包括：S1.1)选取残差神经网络作为卷积神经网络；S1.2)通过残差神经网络的最后层输出特征图，其形状为2048x7x7，将多个通道的特征图与特征的属性进行绑定，即进行首次属性预测，从而将特征图与属性进行绑定，最后将对应的特征图转为1维向量，形成属性特征向量，所述步骤S2)包括：S2.1)使生成的属性特征向量数量与最后得出的属性数量保持一致；S2.2)在关系矩阵的生成方式为将属性特征向量通过全连接神经网络转化为高维向量后，以自注意力的方式进行矩阵乘生成，所述步骤S3)包括：S3.1)为确定显性属性关系中的层级关系，将数据集中的属性划分为低级属性、中级属性和高级属性，以包括颜色纹理的感受野较小的属性作为低级属性，其语义信息较少；以包括衣着、穿戴的感受野较大的属性作为中级属性，其蕴含语义信息较多；以包括性别、年龄的需要全局信息的属性作为高级属性，其蕴含语义信息最多；S3.2)为确定显性属性关系中的空间关系，将数据集中的属性以身体区域划分为头部、上身、下身、脚部和全身五个部分，将每个部分包含的属性划分成一类；S3.3)对于隐性关系，不将属性进行划分，以充分探索所有属性之间的关系；S3.4)为生成不同的属性关系，选取不同的属性特征向量进行自注意力生成，所述步骤S3、4)包括：S4.1)在所述图卷积操作中，将属性特征向量与关系矩阵进行运算，生成最后的预测结果，其中用关系矩阵的运算次数作为属性关系的传递跳数；S4.2)为保留属性特征向量信息在运算过程中丢失的信息，加入残差结构，其中用标签scores代表属性预测的概率，用W_c作为c标签出现的概率，所述步骤S5)包括：S5.1)采用sigmoid激活函数，激活最后分类层的每个输出节点；S5.2)采用加权交叉熵损失函数，平衡正负样本的损失权重，解决正负样本不均匀问题，所述步骤S6)包括以下具体步骤：S6.1)采用以初始学习率为0.0001、指数式衰减学习率的Adam优化器和64的数据批次大小进行迭代训练；S6.2)将输入图像的大小统一调整为224×224，然后以应用随机旋转、随机调整大小和随机水平翻转进行图像增强的方式来构建一个数据批次；S6.3)不断迭代学习，直到损失函数值不再下降，行人属性识别模型收敛，保存行人外观属性识别模型参数,得到最终的行人属性识别模型。
