[发明专利]一种基于深度学习的多视角步态识别方法

说明书

本发明涉及一种基于深度学习的多视角步态识别方法，属于计算机视觉和机器学习技术领域，包括S1：采集人的步态，从每段视频序列中随机抽取n帧，通过背景减除法提取步态轮廓图；S2：将提取的n张目标轮廓图进行预处理；S3：以人体运动的幅度来表示周期性变化，检测一个步态周期内的轮廓图；S4：以单一通道的步态能量图为基础，将步态序列中的帧映射到不同的通道，根据帧的幅度确定通道的边界；S5：将获得的多通道步态模板组成用于输入的集合，对每个模板提取特征后再将这些特征进行聚合；S6：选择度量学习的方法，提出具有增强约束的Triplet Loss函数来学习到最优的特征，辨别得到的特征聚合向量进行识别。

技术领域

本发明属于计算机视觉和机器学习技术领域，涉及一种基于深度学习的多视角步态识别方法。

背景技术

步态识别是近年来计算机视觉和生物特征识别领域一个备受关注的研究方向，它旨在根据人们走路的姿势进行身份识别。每个人走路的风格都各有不同，这都源于每个人的骨骼长度、肌肉强度、重心强度以及运动神经灵敏度等24种不同的成分的差异性所造成的，如果把这些成分都考虑到，则步态是为个体所特有的。正是由于每个人步态的唯一性，且利用步态来识别个体具有远距离、非受控、不易伪装等优点，使得步态识别技术有了长足的发展，在医疗、监控和疑犯跟踪等方面都有很广阔的应用前景。步态识别作为一种新兴的生物识别技术，相比于较为成熟的识别技术如指纹、人脸识别等，在识别精度和速度方面都有一定的不足。随着卷积神经网络的带动发展，步态识别研究成果在各方面的性能得到了很大的提升。步态特征提取是整个识别过程中最为关键的一步，也是一直以来国内外学者的研究热点。现如今的步态特征提取的方法主要可分为基于模型匹配的方法和基于外观匹配的方法。

基于模型匹配的方法提供了可用于测量肢体长度、人体关节角度和角速度的运动学模型，在基于模型的步态识别中，2D/3D人体运动姿态模型常被用于提取步态特征。2D运动姿态建模的方法主要基于腿、头、手臂等肢体长度与身体高度的比例。Bouchrika等人利用椭圆傅立叶描述符(Elliptic Fourier Descriptors,EFD)提取人体关节，以参数化形式描述人体运动的空间模型模板。同时，采用自适应序列前向漂浮选择(AdaptiveSequential Forward Floating Selection, ASFFS)搜索算法去除冗余步态特征并获取具有区分度的步态特征。Deng等人基于人体模型构建了一个二维人体运动模型并提取四个下肢关节角度作为运动特征并使用确定性学习 (Deterministic Learning,DL)方法学习这些人体姿态参数，最终根据最小距离准则判断待测个体与训练集中个体的相似度完成身份识别。除了2D人体运动模型外，在多视角、遮挡等方面具有优势的3D人体模型也常被用于步态特征提取。邓秀春等提出了基于三维步态特征的步态识别方法，但是该方法需要多台摄像头同时进行数据采集，对衣服变化等处理比较困难。Lu 等人采用41个标签来标记身体的关节点并通过放置周围的12台摄像机采集人体上的标记点并以此构建出人体运动姿态。获得人体运动姿态后，将左右腿的角度结合计算出联合分布谱，并依此分布谱进行身份识别。