[发明专利]一种基于序列深度图像的人体身份识别方法

权利要求书

1.一种基于序列深度图像的人体身份识别方法，其特征在于，包括：

(1)采集人体的序列深度图像，所述序列深度图像包含人体的步态运动；

(2)基于序列深度图像中的每帧深度图像的使用卷积神经网络和递归神经网络进行人体关节点回归得到每帧深度图像中人体关节点的坐标位置；

(3)利用每帧深度图像中人体关节点的坐标位置计算多个人体体态特征包含的两个关节点的欧式距离，得到人体体态特征向量，利用静态特征分类器对人体体态特征向量进行识别，得到静态特征的人体身份识别得分；

(4)对序列深度图像进行人体运动行为特征提取，利用动态特征分类器对人体运动行为特征进行识别，得到动态特征的人体身份识别得分；

(5)将静态特征的人体身份识别得分与动态特征的人体身份识别得分进行加权计算，得到人体身份识别得分，人体身份识别得分最大值对应的人体身份为序列深度图像的人体身份识别结果；

所述步骤(4)包括：

(4-1)对序列深度图像进行FFT金字塔特征提取，得到FFT金字塔特征向量；

(4-2)将FFT金字塔特征向量输入每个关节点对应的分类器，得到每个关节点的贡献程度，利用每个关节点的贡献程度，得到gaitlet的可信度Conf_S和歧义度Amb_S，其中，Conf_S大于置信度阈值T_conf，且Amb_S小于混淆阈值T_amb，所述gaitlet为一个或多个关节点的集合；

(4-3)将gaitlet中所有关节点的FFT金字塔特征组合，得到gaitlet特征向量，将gaitlet特征向量输入标定后的sigmoid模型进行识别，得到动态特征的人体身份识别得分。

2.如权利要求1所述的一种基于序列深度图像的人体身份识别方法，其特征在于，所述步骤(2)包括：

(2-1)对于序列深度图像中的每帧深度图像，使用全卷积结构的卷积神经网络进行深度特征提取并对人体关节点位置进行初级预测，得到人体关节点的预测坐标位置；

(2-2)基于人体关节点的预测坐标位置，对以人体关节点为中心的局部图像进行裁剪，得到局部关节点图像；

(2-3)利用全连接层的卷积神经网络提取局部关节点图像的特征，利用递归神经网络对局部关节点图像的特征进行识别得到人体关节点的坐标偏移量，结合人体关节点的预测坐标位置，得到人体关节点的坐标位置。

3.如权利要求2所述的一种基于序列深度图像的人体身份识别方法，其特征在于，所述全卷积结构的卷积神经网络为训练好的全卷积结构的卷积神经网络，训练包括：利用样本序列深度图像训练全卷积结构的卷积神经网络，训练达到设置的最大迭代次数时，得到训练好的全卷积结构的卷积神经网络；

所述全连接层的卷积神经网络为训练好的全连接层的卷积神经网络，训练包括：利用样本序列深度图像的人体关节点的预测坐标位置，对以人体关节点为中心的局部图像进行裁剪，得到样本局部关节点图像；利用样本局部关节点图像训练全连接层的卷积神经网络，训练达到设置的最大迭代次数时，得到训练好的全连接层的卷积神经网络；

所述递归神经网络为训练好的递归神经网络，训练包括：基于样本局部关节点图像的特征利用递归神经网络隐式的学习人体关节点空间位置之间的相互依赖关系，训练达到设置的最大迭代次数时，得到训练好的递归神经网络。

4.如权利要求1-3任一所述的一种基于序列深度图像的人体身份识别方法，其特征在于，所述步骤(3)包括：

(3-1)利用每帧深度图像中人体关节点的坐标位置计算多个人体体态特征包含的两个关节点的欧式距离，得到人体体态特征向量，所述人体体态特征包括：身高、肩宽、躯干、双臂、双腿；

(3-2)根据肩膀中心到臀部中心的距离对人体体态特征向量进行归一化，得到归一化后的人体体态特征向量；

(3-3)利用静态特征分类器对归一化后的人体体态特征向量进行识别，得到静态特征的人体身份识别得分；所述静态特征分类器由最大间隔最近邻分类器和K近邻分类器组成。