[发明专利]基于深度学习融合SVM的步态识别方法

权利要求书

1.一种基于深度学习融合SVM的步态识别方法，其特征在于，包括：

步骤1：采用基于深度学习的姿态估计算法对行走录像进行预处理，提取人体关键点特征；

步骤2：从步态序列提取所需特征构建特征向量后，通过使用SVM分类器完成身份识别。

2.根据权利要求1所述的基于深度学习融合SVM的步态识别方法，其特征在于，所述步骤1包括：

步骤1.1：采用Openpose姿态估计算法提取待识别行走录像对应的步态序列；

步骤1.2：使用纠正算法对步态序列中误识别关键点进行纠正。

3.根据权利要求2所述的基于深度学习融合SVM的步态识别方法，其特征在于，所述步骤1.1包括：

步骤1.1.1：使用Openpose对待识别行走录像按照时间顺序对其每一帧进行识别，从行走录像第一帧开始，到最后一帧结束，得到其每一帧对应的人体关键点信息：

F_t＝[(x_t，0，y_t，0)，(x_t，1，y_t，1)，...，(x_t，c，y_t，c)]

式中：F_t表示第t帧的人体关键点信息，c表示人体关键点对应的数字编号，从编号0到编号6对应了鼻子(头部)，左髋关节，右髋关节，左膝关节，右膝关节，左踝关节，右踝关节7个关键点。(x_t，c，y_t，c)表示在第t帧第c个关键点对应的点坐标。

步骤1.1.2：将每一帧的信息汇总后得到待检测者p在第v段视频下的人体步态序列S_p，v＝[F₀，F₁，...，F_t，...，F_n-1]。

4.根据权利要求2所述的基于深度学习融合SVM的步态识别方法，其特征在于，所述步骤1.2包括：

步骤1.2.1：找出开始出错帧，并且识别出该帧出错的关键点，将当前帧的关键点与前一帧进行对比。

判断该帧是否满足开始出现错误的条件如下：

x_t-1，c+ε_b，c＜x_t，c或者x_t-1，c-x_t，c＞ε_f，c

式中：x_t，c表示待纠正行走视频的第t帧的待检测关节c对应的关键点横坐标。ε_b，c，ε_f，c表示关节c的坐标朝移动反方向以及同方向变化阈值。

步骤1.2.2：若找出其实出错帧，则检查该帧之后的帧是否连续出错，找出连续出错帧以及其每一帧中出错的关键点。

判断是否连续出错的条件如下：

x_t-1，c+ε_b，c＜x_t+i-1，c

或者

式中：i表示对出错帧前一帧后的第i帧进行检测。x_t，c表示待纠正行走视频的第t帧的待检测关节c对应的关键点横坐标。ε_b，c表示关节c的坐标朝移动反方向的变化阈值。δ_c为同一关键点在相邻两帧内位置变化判断的阈值。

步骤1.2.3：纠正错误的帧的关键点坐标。

纠正关键点坐标的规则如下：

式中：t表示从第t帧开始识别出现错误，k表示连续错误帧数，i表示对连续错误帧内的第i帧进行修复(x_t，c，y_t，c)表示在第t帧第c个关键点对应的点坐标。

5.根据权利要求1所述的基于深度学习融合SVM的步态识别方法，其特征在于，所述步骤2包括：

步骤2.1：对步态序列进行特征提取，构建特征向量；

步骤2.2：使用SVM分类器完成身份识别。