[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

说明书

本发明公开了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，具体包括以下步骤：将一对步态能量图作为网络的输入；从底层开始匹配输入图像的特征；用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。该方法在数据集较小的情况下具有较强的鲁棒性，能有效地体现身体不同部位对步态识别准确率的重要性，采用向量的方式表示实体，保留了步态特征的等变性，有效提高了跨视角步态识别的准确率。

技术领域

本发明涉及深度学习、计算机视觉和模式识别领域，特别涉及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。

背景技术

由于不断上升的犯罪事件和严重的安全问题，关于身份识别的科学研究引起了很大的关注。步态识别技术与虹膜识别、人脸识别、指纹识别同为四大识别技术。步态识别是指利用步态信息对人的身份进行识别的技术。步态识别技术具有可进行长距离识别、不需要识别目标配合、步态难以被伪装三个优点。这使得其具有更广阔的应用背景，包括科研、交通、罪犯监测等。

深度学习在视觉识别领域取得了巨大成功，一些步态识别方法中直接将卷积神经网络中完全连接层的输出作为特征表示，这很难突出身体不同部位对步态识别准确率的重要性。同时卷积神经网络本质上是一个有损的过程，对于最大池化，它只保留了最突出的特征，虽然避免了过度拟合，但是同时抛弃了可能在下层神经网络中起重要作用的信息。

在步态识别中的深度学习方法面临三个问题。首先，深度学习方法需要每个类的大量训练数据来训练高精度的分类器，但是实际上训练数据一般较小。其次，深度学习方法中要求训练数据覆盖所有协变量以保证稳健性，但是训练数据一般难以满足覆盖所有协变量的条件。最后，步态识别中由于协变量的影响，类内方差有时会大于类间方差。

发明内容

为克服相关技术中存在的问题，本发明提供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。

本发明的目的是提供一种在数据集有限的情况下训练一种鲁棒性强的跨视角步态识别的模型。

本发明采用的技术方案为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，包括如下步骤：

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；

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：

从特征图中提取特征向量；

根据特征向量训练矢量函数；

根据矢量函数将特征向量转换为加权矩阵；

将矩阵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；