[发明专利]基于深度学习融合SVM的步态识别方法

说明书

本发明公开了一种步态识别方法。该方法基于深度学习融合SVM实现对行走人体的身份识别。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。本发明能够识别出行走视频中个体的具体身份，较好的提高了步态识别的效率和准确性。与已有的技术相比，该方法不仅可以结合身体结构的独特性获取人体的关键点信息，还可以对出错的关键点信息进行一定的修正。

技术领域

本发明涉及计算机技术领域，具体来说，本发明涉及一种对人体进行步态识别的深度学习方法。

背景技术

步态识别技术是一门关于分析处理人行走的图像序列的技术。这种技术通过提取人体行走过程中最能体现个体差异性的特征，并进行有效分类，来实现对人体身份的识别。相比于人脸识别，这种方法对于监控设备的要求较小，并且步态特征相比于面部特征更难以长时间进行伪装和隐蔽，所以更容易获取符合要求的特征。

步态识别技术现在还处于发展阶段，目前主要在公安系统对嫌疑人进行跟踪识别方面有一定的应用，步态识别技术在临床、国防、生物认证、人机交互等多个领域有良好的应用前景，所以步态识别方法的研究具有重要的意义。

目前已经有一些方法来进行步态识别工作。步态识别主要分为人体关键点提取和步态序列分类两个部分。人体关键点提取方面，目前主要方法是使用Vibe，Codebook，背景减除法等人体运动区域分割算法把人体和背景分开，然后构建步态能量图或者基于人体骨架图使用ZS细化算法来获得人体的关键点。这种方法的图像处理过程较为繁杂。从人体骨架提取关键点的准确度不高，提取出的位置和真实位置会有一定偏差，这会导致从序列中提取的特征可能会不准确。依据人体骨骼图虽然可以提高提取关键点的准确度，但是这种方法忽略个人身体结构的独特性，从而导致提取的关键点不准。根据提取出的步态特征进行身份识别的分类方法目前主要有两种，一种是从提取出来的步态序列里选取一定数量的特征，构建步态特征向量，然后将其分成训练集和测试集分别进行训练和测试，从而检测分类效果。另一种是使用神经网络对步态能量图的时序和空间信息进行处理，从而进行分类。

发明内容

针对目前存在的问题，本文提出了基于深度学习的步态特征点提取融合SVM的机器学习方法，来进行步态识别。通过提取特征和修正识别错误来提取步态特征向量，并利用SVM分类方法进行身份识别。

根据本发明提供的一种基于深度学习融合SVM的步态识别方法，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1.1.1：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]。