[发明专利]基于全局和局部特征融合的步态识别方法在审
申请号: | 201811277328.2 | 申请日: | 2018-10-30 |
公开(公告)号: | CN109446991A | 公开(公告)日: | 2019-03-08 |
发明(设计)人: | 张顺利;林贝贝 | 申请(专利权)人: | 北京交通大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N3/04 |
代理公司: | 北京市商泰律师事务所 11255 | 代理人: | 黄晓军 |
地址: | 100044 北*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 步态特征 步态识别 全局 卷积神经网络 局部特征 融合 三维 最佳特征子集 串行组合 局部轮廓 特征融合 轮廓图 特征集 派生 标准化 统一 | ||
本发明提供了一种基于全局和局部特征融合的步态识别方法。该方法包括:通过三维卷积神经网络从标准化轮廓图中训练出全局步态特征;通过三维卷积神经网络从局部轮廓图中训练出局部步态特征;通过串行组合的方式对所述全局步态特征和局部步态特征进行串行融合,获得组合步态特征,利用所述组合步态特征进行步态识别。本发明利用全局和局部的特征融合派生出最佳特征子集,进行步态特征提取模型的建立,统一解决现有的步态识别方法中存在的特征集不够有价值的问题,从而可以获得较好的步态识别结果。
技术领域
本发明涉及步态识别技术领域,尤其涉及一种基于全局和局部特征融合的步态识别方法。
背景技术
步态识别可以用于预防犯罪、交通监测等诸多领域,并且步态识别可以在远距离和不受控制的场景下更好地捕捉到生物的特征,以便帮助完成识别工作,步态识别具有广泛的应用前景。
一个典型的步态识别系统主要包括两个部分,即步态特征建模和基于步态特征的识别分类。在进行步态特征建模时,首先,需要收集大量的步态数据,以步态数据为基础构建步态数据库,通过步态数据库可以训练出一个步态特征提取模型。上述步态特征提取模型可以从输入的人体的步态中提取出易于识别分类的特征;然后,基于步态特征提取模型的提取结果,利用相应的识别分类模型,就可以得到步态的识别分类的结果。
步态特征提取模型是步态识别的核心,直接关系到步态识别分类的效果。目前,根据是否使用时态上的信息,步态特征提取模型可以分为二维卷积模型和三维卷积模型。二维卷积模型的输入仅为2D的图片,通过对2D图片进行卷积建立步态特征提取模型。但是二维卷积忽略了时态上的信息,而使用三维卷积可以利用时态的信息,可以更好地建立步态特征提取模型。
步态特征提取的好坏将直接影响步态认证中的结果,但是步态特征是嘈杂的、重叠的或混乱的都会抑制任何分类器的性能。因此,选择一组适当的步态特征是至关重要的。目前,现有技术中的步态特征提取模型均采用的是全局步态来进行特征提取工作,而根据实际情况全局步态会有一些不必要的、无价值的特征集,这些不必要的、无价值的特征集会使分类器混淆,降低分类器的性能。
发明内容
本发明的实施例提供了一种基于全局和局部特征融合的步态识别方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种基于全局和局部特征融合的步态识别方法,包括:
通过三维卷积神经网络从待识别的步态视频的标准化轮廓图中训练出全局步态特征;
通过三维卷积神经网络从局部轮廓图中训练出局部步态特征;
通过串行组合的方式对所述全局步态特征和局部步态特征进行串行融合,获得组合步态特征,利用所述组合步态特征对所述待识别的步态视频进行步态识别。
进一步地,所述的通过三维卷积神经网络从待识别的步态视频的标准化轮廓图中训练出全局步态特征,包括:
将由待识别的步态视频的每一帧减去背景图片得到的二值化图片作为原始轮廓图,对所述原始轮廓图进行标准化处理,得到标准化轮廓图;
将图像样本归一化至112*122大小,序列输入长度为16,通过迭代优化策略,利用图像样本及图像样本标签预训练三维卷积网络,得到用于全局步态特征提取的三维卷积神经网络模型,将所述标准化轮廓图输入到所述用于全局步态特征提取的三维卷积神经网络模型中,通过三维卷积神经网络模型训练出全局步态特征。
进一步地,所述的通过三维卷积神经网络从局部轮廓图中训练出局部步态特征,包括:
计算所述标准化轮廓图中运动目标的中心,将所述运动目标的中心以下的部分作为人体的局部轮廓图;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京交通大学,未经北京交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811277328.2/2.html,转载请声明来源钻瓜专利网。