[发明专利]一种基于增强连接时序分类网络的步态识别方法

权利要求书

1.一种基于增强连接时序分类网络的步态识别方法，其特征在于包括：

S1、将步态图片依据时序进行分组，并按组构建非完整周期的子步态能量图；

S2、随机抽取预定长度的子步态能量图，依据时序先后构建具有相同序列标签的步态训练数据；通过深度卷积网络和具有时序特征的双向长短期记忆网络来提取步态的静态和动态时序特征，利用连接时序分类器在训练过程中自动对齐序列标签的优势，结合三元组损失，将样本分为正样本、负样本和自身样本，以提高分类器对细小差异的鉴别能力；

S3、在仅对周期内固定行走条件的各类数据进行时序分类训练的前提下，针对周期内变化行走角度的曲线行走和合成的行走条件变化数据进行测试。

2.根据权利要求1所述基于增强连接时序分类网络的步态识别方法，其特征在于，所述步骤S1中，将步态图片依据时序分成3～5帧/组。

3.根据权利要求1所述基于增强连接时序分类网络的步态识别方法，其特征在于，所述步骤S2中，包括：

(1)采用前馈的方式，利用深度卷积神经网络DenseNet的稠密连接机制，直接将所有层相连接，从而减少梯度消失，加强特征间的传递，同时减少相关参数和计算量；

(2)利用长短期记功能的循环神经网络Bi-LSTM来提取步态时序特征；

(3)利用深度卷积神经网络、循环神经网络和基于CTC的连接时序分类器，来构建端到端的增强连接时序分类网络模型EN-CTCNet，以实现更加灵活的局部标签预测和步态识别；

(4)构建增强连接时序分类网络EN-CTCNet的多目标混合损失函数，包括CTC损失函数、Triplet Loss损失函数和Softmax损失函数，利用Triplet Loss损失函数的优势扩大类间差异，缩小类内差异，提高识别效率。

4.根据权利要求3所述基于增强连接时序分类网络的步态识别方法，其特征在于，所述步骤(1)，具体为：

1.1)令S为固定分布中的步态训练样本集；输入空间是所有i维向量的有限序列集合；目标空间(预测空间)表示为有限字符ID条件下所有序列的集合，通常将元素称为标记或标记序列；每个步态训练样本都由一组序列(x，z)组成；目标序列z＝(z₁，z₂，...，z_M)小于或等于输入序列x＝(x₁，x₂，...，x_T)，即M≤T；因为输入序列与目标序列通常具有不同的长度，输入序列可以是随机大小，而输出序列只能是一个或者几个ID，所以没有先验的方法对输入序列和输出序列进行预对齐处理；

利用步态样本集S来训练一个增强连接时序分类器，并能对任意长度的步态测试序列数据进行分类，输出最有可能的序列标签，即：

1.2)利用DenseNet网络进行步态特征的降维和提取，其输出特征定义为

1.3)使用长度为T的序列向量x＝(x₁，x₂，...，x_T)，其中并将x作为Bi-LSTM网络的输入。