[发明专利]一种基于轻量化多尺度特征提取的步态识别方法

说明书

本发明提供了一种基于轻量化多尺度特征提取的步态识别方法，包括以下步骤：从基准数据集中分割出训练集和测试集；通过单一尺度特征的步态提取模型训练网络，以此来获得模型的基准精确度；在多尺度特征提取网络中不断嵌入3*3的卷积模块，并重新训练的网络模型参数；对比初始的单一尺度下的步态特征提取模型的精确度，选择最优的轻量化多尺度的步态识别特征提取模型，以此可以获得较好的步态识别结果。

技术领域

本发明属于模式识别中的步态识别领域，具体涉及一种基于轻量化多尺度特征提取的步态识别方法。

背景技术

步态识别是根据人体行走时的姿态进行识别的一种生物识别技术，是近年来计算机视觉、深度学习等研究领域的前沿和热点问题。因此，也吸引了国内外越来越多研究者的关注。步态识别区别于传统的生物识别技术，具有无需接触、非侵犯、识别过程不需要配合、难于隐藏和伪装等优点，可以广泛应用于门禁系统、安全监控、人机交互、医疗诊断等领域。例如，在公共安全维护方面，通过视频监控系统，步态识别可以应用于银行、机场、车站、地铁等场所，通过对特定人员进行步态识别，确定人员身份，有助于构建智能监控体系，为提高公共安全水平。

一个典型的步态识别系统主要包括三个部分，即步态图像预处理，人体步态特征提取和基于步态特征的识别分类。首先，由于实际情况下采集的人体的步态视频可能存在各种噪声，所以需要对视频进行清洗处理，以便后续阶段对步态识别进行特征提取和识别工作。其次，需要基于预处理后的人体步态视频构建相应的步态数据库，通过人体步态数据库可以训练出适用于提取人体步态特征的特征提取模型。训练出的人体步态特征提取模型可以从清洗过的人体步态视频中生成易于认证的特征向量。最后，基于人体步态特征提取模型的提取结果，利用相应的识别分类模型，就可以得到步态识别分类的结果。

人体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的效果。目前，人体步态特征提取模型多采用二维卷积或三维卷积进行构造，但构造过程仅仅基于单一的卷积尺度。一方面，由于单一的卷积尺度，只能从特定大小的感受野获取信息，可能会导致获取信息不充分，存在局限性。因此，本发明针对上述缺点，提出了基于多卷积尺度特征提取的步态识别方法。本发明从多个卷积尺度提取不同尺度的步态特征，并进行特征融合生成组合的特征。该组合特征融合了不同尺度的感受野信息能够有效的提高步态识别的精确度。另一方面，多尺度特征提取一般依赖于各个卷积尺度的卷积核，例如卷积尺度为3x3、5x5、7x7和9x9的卷积核，对应的感受野为9,25,49和81。但是大卷积尺度可能引入过多的参数，从而造成过拟合现象。例如，9x9的卷积的参数量是3x3卷积参数量的9倍。为了避免过拟合的现象，本发明进一步的提出了轻量化的多尺度特征提取模型。多尺度的特性可以使得特征提取模型生成更具辨别力的步态特征，从而提高步态识别的精确度。轻量化的特征可以使得特征提取模型的识别速度更快，参数更小。

发明内容

本发明针对现有步态识别方法，提供一种基于轻量化多尺度特征提取的步态识别方法。

本发明是通过如下技术方案实现的：

一种基于轻量化多尺度特征提取的步态识别方法，包括如下步骤：

步骤一)训练基于轻量化多尺度的步态特征提取模型：

构建神经网络的训练集和测试集；

卷积神经网络的输入大小被设置为B*C*H*W，其中B表示批量维度，C表示输入步态图像的通道的数，H和W为每帧步态视频序列的长和宽；

通过迭代优化策略，利用样本及样本标签训练3*3尺度的步态特征提取模型，训练完成后获得模型的基准精确度；

步骤二)在特征提取模块中增加一个新的卷积操作，增加的卷积操作为2个串联的3*3尺度卷积，将各次卷积操作得到的特征图相加得到多尺度特征图；比较添加卷积操作前后的模型的精确度；

步骤三)精确度提高，则重复步骤二)，其中须将第n次增加的卷积操作改为n+1个串联的3*3尺度卷积；