[发明专利]一种基于反馈权重卷积神经网络和胶囊神经网络的步态识别方法

权利要求书

1.一种基于反馈权重卷积神经网络和胶囊神经网络的步态识别方法，其特征在于，包括以下步骤：

步态能量图的输入；

从底层开始匹配输入图像的特征；

卷积神经网络提取输入图像的步态特征；

通过像素级反馈权重更新输入图像；

使用初级胶囊神经网络将数据形状进行重塑；

使用改进的胶囊神经网络输出图像的相似性；

其中，卷积神经网络提取输入图像的步态特征包括以下步骤：

对输入图像进行卷积操作，得到特征图m；

批量标准化；

对卷积后的数据进行池化处理；

其中，通过像素级反馈权重更新输入图像包括以下步骤：

从特征图m中提取特征向量v；

根据特征向量v训练矢量函数f；

根据矢量函数f将特征向量v转换为加权矩阵F；

将矩阵F作为输入图像各个感受域的权重；

通过加权的感受域更新输入图像；

用更新后的输入图像重新训练网络；

其中，使用初级胶囊神经网络将数据形状进行重塑包括以下步骤：

用8个不同的2D卷积神经网络，继续提取图像步态特征；

将数据形状进行重塑，链接成一个向量维度为8的胶囊神经元；

其中，使用改进的胶囊神经网络输出图像的相似性包括以下步骤：

对输入向量进行仿射变换，公式如下：

式中，u_i是输入向量，代表图像中的特征i，j是图像中某一实体，是特征i推出实体j的位置向量，W_ij是实现这个过程的仿射；

对仿射变换后的向量进行加权求和，公式如下：

式中，c_ij为权重，把不同特征对应同一个实体的位置向量乘上权重c_ij再求和，形成一个加权的输出向量s_j；

对向量s_j进行缩放操作，公式如下：

式中，epsilon为一个常量，通常在[0,1]之间取值，为了防止输出为0，将epsilon取值为10^-8，A为一个常量，为了放大向量范数，A取值为0.5，胶囊神经网络用向量的模值大小衡量某个实体出现的概率，如果V_j模值越大，那么实体j出现的概率也越大，采用这个公式作为压缩函数，输出的各个向量模值的和可能会大于1，这样可以提高对步态识别中某个实体的识别准确率；

由动态路由算法更新权重c_ij，公式如下：

式中，b_ij为耦合系数，当和V_j两者相似时，两者点积为正，对应的b_ij变大，则对应的的权重c_ij变大，这里选择迭代的次数为3次；

根据向量V_j的模值大小输出图像的相似性；

训练胶囊神经网络的损失函数，公式如下：

L_k＝T_kmax(0,m⁺-||v_k||)²+λ(1-T_k)max(0,||v_k||-m^-)²

式中k是分类，T_k是分类的指示函数，分类k存在，T_k为1，否则T_k为0，m⁺为上边缘惩罚，惩罚假阴性，没有预测到存在的分类的情况；m^-为下边缘惩罚，惩罚假阳性，预测到不存在的分类的情况；λ为比例系数。