[发明专利]一种基于主动学习的步态识别方法

说明书

本发明公开了一种基于主动学习的步态识别方法，对待检测输入图像，使用主模型提取出特征矩阵，使用副模型对样本进行评估和筛选。在训练过程中，首先使用数量相对较少的已标注样本对主模型和副模型进行训练，然后对未标注的样本进行评估。在得到未标注样本的评估结果后，按照既定策略进行样本筛选，将筛选出的样本加入到已标注样本集中，输入模型中继续进行训练。本方法利用主动学习的思想，从未标注的数据样本中选取更有价值的样本进行标注训练，可以大大减少人工标注的代价。在数据样本有限时，本方法也可用来选取信息量相对更丰富的样本，使模型能够有针对性进行训练，从而在样本有限的情况下，尽可能利用样本多样性来提升模型的效果。

技术领域

本发明属于计算机视觉技术领域，更具体地，涉及一种基于主动学习的步态识别方法。

背景技术

步态识别是一种独特的生物识别技术，研究的是如何从人类走路的姿态中识别出目标的身份。与其他的生物识别技术，如面部识别、虹膜识别等方法相比，步态识别可以在较远距离进行识别，并且无需受配者的主动参与。因此，在预防犯罪、法医鉴定以及社会保障方面具有广泛的应用。

目前的步态识别方法主要是基于深度学习的方法，将图像输入到设计好的深度学习模型当中进行处理和匹配，从而达到识别的目的。这样的方法往往需要大量的数据。然而，大量的数据往往意味着需要大量的人力与时间，很多时候，这样巨大的标注代价是不可承受的。此外，在一些情况下，数据的获取比较困难，数据样本的数量比较有限。

因此，需要设计基于主动学习的步态识别方法，能够从大量数据中筛选出有训练价值的数据进行标注，从而减少标注代价；同时在数据样本数量有限时，能够尽可能有效利用数据样本的多样性来提升步态识别方法的识别性能。

发明内容

本发明的目的在于提供一种基于主动学习的步态识别方法，该方法可以有效地从数据集中找到信息量较大的数据进行标注，从而大大减少数据标注的代价。同时，在数据集数据量有限的时候，可以充分利用数据的多样性，达到提升性能的目的。

为了实现上述目的，本发明提供了一种基于主动学习的步态识别方法，包括下述步骤：

(1)生成轮廓数据集：

(1.1)对一段步态序列中的每一帧轮廓图，依据每一行的像素和不为0的原则，找上边和下边；

(1.2)根据上边和下边对轮廓图进行切割；

(1.3)对切割后的图进行resize操作，高度为64，宽度保持比例；

(1.4)依据每一列的和最大的为中心线原则，找到中心线；

(1.5)中心线左右各32像素进行切割，不够的补0；

(1.6)得到对齐后的轮廓图；

(2)初始化已标注集与未标注集：

将生成的轮廓数据集作为训练特征提取主模型和样本选择副模型的数据集。按照不同的应用场景选择相应的策略，对数据集进行初始化。当数据集样本数量庞大、需要高昂的代价进行人工标注时，初始化数据集的策略是：将轮廓数据集中已经进行了标注的数据设置为已标注集，轮廓数据集中未进行标注的数据设置为未标注集。当数据集样本数量有限、难以获取更多样本时，初始化数据集的策略是：随机从生成的轮廓数据集中选择一定数量的样本作为已标注集，其余的样本视为未标注样本，加入未标注集；

(3)训练特征提取主模型：

(3.1)将初始化好的已标注集样本输入到特征提取主模型当中。使用卷积神经网络和池化层，将已标注集样本从图像序列编码成具有代表性的特征；

(3.2)使用注意力机制，将每一个序列中最大的特征值、中间特征值和平均特征值进行叠加，作为每个序列在模型中的特征表示；