The invention discloses a gait recognition method based on GEI and Triplet Loss DenseNet. The method takes the gait energy graph GEI as the input of the network, connects each layer of the network in a dense connection way, calculates the training loss value by using the triple loss function, and updates the model parameters by optimizing the loss value, backpropagation and training. Practice the network model until it converges. After the training of the network, GEI is mapped to the eigenvector represented by one-dimensional array in a specific space S, and the similarity of pedestrians is expressed by Euclidean distance between eigenvectors. The identity of pedestrians is identified by similarity matching. Testing on DatasetB of CASIA gait database shows that the model has strong feature mapping ability, and proves that the gait-based recognition model with superior performance can be trained with fewer training samples, and has the advantages of cross-view recognition and fewer model parameters.
【技术实现步骤摘要】
一种基于GEI和TripletLoss-DenseNet的步态识别方法
本专利技术涉及深度学习、计算机视觉和模式识别领域,特别涉及一种基于步态能量图(GaitEngeryImage,GEI)和TripletLoss-DenseNet的步态识别方法。
技术介绍
传统的生物识别技术包括:人脸、虹膜、指纹等,但不同于这些传统的技术,步态识别技术具有远距离、非受控、不易模仿、难以隐藏等独特的优势,这使得其具有更广阔的应用背景,包括科研、交通、罪犯检测等。在以往的步态识别方法中,首先从视频序列中提取行人轮廓,并计算其步态能量图GEI,然后比较不同GEI之间的相似度,最终通过KNN进行分类识别。这些方法学习到的是一种具体身份的分类能力。但是以往的方法有两个很大的问题:多视角的情况下,精度很差,实用性大大降低;高纬度的特征计算量太大,不利于后期的计算和存储,且导致分类效果也很差。近些年,深度学习方法在人脸识别、语音识别、图像分类与检测等领域都取得了非常好的结果。之所以能取得如此好的结果,主要是因为深度卷积神经网络具有高度的非线性映射,能够学习到一种很强的特征映射能力,而这为设计复杂的高精度分类模型提供了可能性。
技术实现思路
为了解决现有步态识别技术在处理跨视角步态识别时精度不高以及数据处理步骤复杂的问题。本专利技术采用的技术方案为一种基于GEI和TripletLoss-DenseNet的步态识别方法,该方法将步态能量图GEI作为TripletLoss-DenseNetCNN的输入,使用网络将GEI映射为特定空间S上一维数组表示的特征向量,用特征向量间的欧氏距离表示行人的相 ...
【技术保护点】
1.一种基于GEI和TripletLoss‑DenseNet的步态识别方法,其特征在于:该方法将步态能量图GEI作为TripletLoss‑DenseNet CNN的输入,使用网络将GEI映射为特定空间S上一维数组表示的特征向量,用特征向量间的欧氏距离表示行人的相似度,通过相似度来匹配步态识别人的身份;该方法包括步态能量图提取,模型训练,识别三个过程,具体如下:步骤S1,步态能量图提取过程:步骤S1.1,行人检测;首先用只含背景的图片建模,然后利用背景减除法直接提取视频每一帧中二值化行人轮廓图像,得到的二值化行人轮廓图像;步骤S1.2,步态轮廓图像预处理:将步骤S1.1得到的二值化行人轮廓图像利用形态学处理的方法消除图像中的噪声,并填补运动目标中像素位的缺失,以获得经过噪声处理后的二值化行人轮廓图像;步骤S1.3,将二值化行人轮廓图像尺寸归一化,中心化;从步骤S1.2获取的无噪声且轮廓完整平滑的二值化行人轮廓图像中提取行人轮廓的外接矩形部分图像,然后将外接矩形部分图像在不改变图像中行人轮廓形状的情况下,归一化为尺寸相同且所有帧中行人轮廓中心对齐的二值化行人轮廓图像;步骤S1.4,步态周 ...
【技术特征摘要】
1.一种基于GEI和TripletLoss-DenseNet的步态识别方法,其特征在于:该方法将步态能量图GEI作为TripletLoss-DenseNetCNN的输入,使用网络将GEI映射为特定空间S上一维数组表示的特征向量,用特征向量间的欧氏距离表示行人的相似度,通过相似度来匹配步态识别人的身份;该方法包括步态能量图提取,模型训练,识别三个过程,具体如下:步骤S1,步态能量图提取过程:步骤S1.1,行人检测;首先用只含背景的图片建模,然后利用背景减除法直接提取视频每一帧中二值化行人轮廓图像,得到的二值化行人轮廓图像;步骤S1.2,步态轮廓图像预处理:将步骤S1.1得到的二值化行人轮廓图像利用形态学处理的方法消除图像中的噪声,并填补运动目标中像素位的缺失,以获得经过噪声处理后的二值化行人轮廓图像;步骤S1.3,将二值化行人轮廓图像尺寸归一化,中心化;从步骤S1.2获取的无噪声且轮廓完整平滑的二值化行人轮廓图像中提取行人轮廓的外接矩形部分图像,然后将外接矩形部分图像在不改变图像中行人轮廓形状的情况下,归一化为尺寸相同且所有帧中行人轮廓中心对齐的二值化行人轮廓图像;步骤S1.4,步态周期检测:因行人行走过程中,人体轮廓所占像素点面积随步态周期呈周期性变化,根据人体轮廓所占像素点面积变化规律,从步骤S1.3处理得到的二值化行人轮廓图像序列中提取一个步态周期的二值化行人轮廓图像序列;行人左脚或右脚迈出到该左脚或右脚下一次迈出为一个步态周期;步骤S1.5,GEI提取过程:将步骤S1.4处理得到的一个步态周期的所有二值化行人轮廓图像,带入GEI计算公式,计算得到行人的步态能量图;步骤S2,训练过程:步骤S2.1,将步骤S1得到的GEI图像样本输入TripletLoss-DenseNet卷积神经网络,经过网络映射,输出为一维数组表示的特征向量,用以表示步态特征;步骤S2.2,在步骤S2.1处理得到的特征向量中根据三元组选择方法,选择三元组对;步骤S2.3,根据三元组损失计算公式,计算步骤S2.2得到的三元组对的损失值,并以损失函数值为目标优化步骤S2.1中的Triple...
【专利技术属性】
技术研发人员:杨新武,侯海娥,冯凯,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。