[发明专利]步态视角检测方法和装置以及步态识别方法和装置

权利要求书

1.一种步态视角检测方法，其特征在于，所述方法包括：

获取包括待检测目标的步态图像；

基于所述步态图像生成步态剪影；

将所述步态剪影输入到基于卷积神经网络的视角特征提取网络以生成特征向量；以及

将所述特征向量送入预先训练的视角分类器以将多个视角标签之中类别概率置信度最高的视角标签对应的角度确定为步态视角，

其中，所述步态视角表示所述待检测目标的行走方向与所述步态图像的拍摄方向之间的夹角，所述视角分类器中包括预置的所述多个视角标签，与所述多个视角标签对应的角度为等差数列。

2.根据权利要求1所述的方法，其特征在于，所述视角特征提取网络包括：

输入层，将所述步态剪影转化为三维矩阵；

第一隐含层，通过具有第一感受野的N层卷积层来对所述三维矩阵执行卷积计算以提取全局步态视角特征；

第一池化层，通过步长为2的最大池化对第一隐含层的输出进行下采样计算以将所述三维矩阵的第二维和第三维减小一半；

第二隐含层，通过具有第二感受野的M层卷积层来对第一池化层的输出进行卷积计算以提取局部步态视角特征；

第二池化层，通过步长为2的最大池化对第二隐含层的输出进行下采样计算以将所述三维矩阵的第二维和第三维减小一半；

第三隐含层，通过具有第三感受野的Q层卷积层来对第二池化层的输出进行卷积计算以提取步态视角边缘特征；以及

第三池化层，对第三隐含层的输出进行下采样计算以将三维矩阵的第二维和第三维减为1；

全连接层，对第三池化层的输出进行全连接以生成所述特征向量，

其中，所述第一感受野所述第二感受野所述第三感受野，N、M、Q为正整数。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括对所述视角特征提取网络进行训练的步骤：

准备训练数据，所述训练数据由与多个摄像机来采集，其中，所述多个视角标签对应的角度与所述多个摄像机一一对应，所述训练数据包括常规步态、有携带物步态和特殊穿戴步态中的至少一种；

利用所述训练数据通过所述视角特征提取网络和所述视角分类器计算步态视角；

利用损失函数评价所述视角特征提取网络的优劣，调节所述视角特征提取网络中各神经元之间的连接权重以反向传播优化参数，对所述视角特征提取网络进行迭代训练，当损失函数低于预定损失阈值、收敛或者迭代次数达到预定计数时，终止训练，

其中，损失函数由下式表示：

k为所述多个视角标签的视角类别总数，m_ij为软标签，n_ij为训练数据i属于类别j的预测概率。

4.根据权利要求2所述的方法，其特征在于，所述第一隐含层、所述第二隐含层和所述第三隐含层使用修正线性单元作为激活函数。

5.根据权利要求3所述的方法，其特征在于，所述准备训练数据的步骤包括：被采集人沿预定的行走路径行走预定距离，

其中，所述多个摄像机距原点的距离彼此相等且被布置在对角域或半圆域中，以所述行走路径中心为原点，前进方向作为X轴，与之垂直且左手方向作为Y轴来建立直角坐标系，所述对角域包括第二象限和第四象限，所述半圆域包括第三象限和所述第四象限。

6.一种步态识别方法，其特征在于，所述方法包括：

获取待检测目标的步态图像序列；

基于所述步态图像序列提取步态特征；

基于所述步态图像序列通过权利要求1至5中的任一项所述的步态视角检测方法获得步态视角序列；

将所述步态视角序列进行聚合以获得聚合视角；以及

基于所述步态特征和所述聚合视角与步态数据库中的样本特征进行比对，将与所述步态特征和所述聚合视角相匹配的样本特征的身份标签作为识别结果进行输出。