[发明专利]基于自适应深度森林人体步态能量图的分类方法

说明书

本发明公开了一种基于自适应深度森林人体步态能量图的分类方法，其步骤为：(1)构建训练集和测试集；(2)构造自适应深度森林模型；(3)计算自适应自适应深度森林模型的分类精度；(4)判断自适应深度森林模型是否达到要求；(5)若训练集准确率及深度未达到要求，扩展自适应深度森林模型，求解自定义二次凸优化问题得到自适应深度森林模型在训练集的增强特征，通过训练集上的增强特征得到扩展后自适应深度森林的训练集；(6)计算测试集分类正确率。本发明减少了模型的复杂度和模型需要训练的权重，同时减小了训练模型所需要的步态能量图样本规模。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像识别技术领域中的一种基于自适应深度森林的人体步态能量图分类方法。本发明可用于对人体步态能量图GEI(GaitEnergy Image)中的步态特征进行分类。

背景技术

步态识别技术是根据视频序列中人走路的姿态进行身份识别的一种生物技术。由于步态识别具有非侵犯性、远距离识别性以及难以隐藏的特点，因此步态识别在国家公共安全、金融安全、身份认证、视频监控等领域有着广泛的应用前景。

银河水滴科技(北京)有限公司在其申请的专利文献“一种基于深度学习的步态识别方法”(专利申请号：201410587758X，申请公开号：CN104299012A)中提出了一种基于深度学习的步态识别方法。该方法采用步态能量图来描述步态序列，通过深度卷积神经网络训练匹配模型，从而匹配步态识别人的身份。该方法的训练过程为：对已标记好身份的涉及多个视角的训练步态视频序列提取步态能量图，重复选取其中任意两个对基于卷积神经网络的匹配模型进行训练直至模型收敛；该方法的识别过程为：对单视角待识别步态视频和已注册步态视频序列分别提取步态能量图，利用训练过程中训练好的基于卷积神经网络的匹配模型计算单视角待识别步态视频的步态能量图与已注册步态视频序列每个步态能量图的相似度，依据相似度的大小进行身份预测，并输出识别结果。该方法对跨较大视角的步态变化有很强的鲁棒性，有效地解决了现有步态识别技术在处理跨视角步态识别时精度不高的问题。但是，该方法仍然存在的不足之处是，由于该方法是基于深度卷积神经网络的分类方法，而基于深度卷积神经网络的分类方法需要大量的训练样本，在训练样本量比较少的情况下，深度卷积神经网络的分类方法不能充分学习人体步态能量图中的步态特征，从而降低了深度卷积神经网络的特征提取能力，这使得深度卷积神经网络的分类方法不适用于小样本的数据，并且基于深度卷积神经网络的分类性能严重依赖于参数调试过程，训练过程中需要消耗较大的计算资源。

中国科学院计算技术研究所在其申请的专利文献“步态身份识别方法及系统”(专利申请号：CN201710136803.3，申请公开号：CN107016346A)中提供一种步态识别方法。该方法从由用户携带的智能终端获取的加速度数据中提取行为特征、位置特征和步态特征；利用预先训练好的行为识别模型根据所述行为特征来识别用户当前行为；利用预先训练好的位置识别模型根据所述位置特征和所识别的用户当前行为来识别所述智能终端的当前位置；利用预先训练好的步态识别模型根据所述步态特征、所识别的用户当前行为和所述智能终端的当前位置来识别用户的身份。该方法通过分层递进的识别方式提高了步态身份识别的准确率和鲁棒性，而且不需要对相关传感器摆放的位置与方向进行限制，很灵活且方便使用。但是，该方法仍然存在的不足之处是，由于该方法需要用户携带智能终端来获取加速度数据，利用获取的加速度数据来提取用户的行为特征、位置特征和步态特征，这削弱了步态分类方法的非侵犯性，且该方法由预先训练好的行为识别模型、位置识别模型和步态识别模型三个模型组成，无法将特征提取全部融入到一个模型当中，无法实现端到端的分类。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于自适应深度森林人体步态能量图的分类方法。本发明与现有其他步态分类方法相比，自适应深度森林模型通过求解每棵树的权重，获得自适应深度森林模型的增强特征，用获得的增强特征训练自适应深度森林模型，使训练所需要的权重较少，训练速度快。在训练过程中根据测试集和训练集的正确率不断增加自适应深度森林的深度，使自适应深度森林的复杂度随着训练过程自适应调节，减少了模型的复杂度，充分利用了计算资源。