【技术实现步骤摘要】
一种基于时空图的跨视角步态识别方法
本专利技术涉及身份识别
，具体涉及一种基于时空图的跨视角步态识别方法。
技术介绍
随着计算机视觉技术的发展，人们利用计算机来分析人的步态从而对人进行身份识别成为了可能，步态识别在近年来被学术界的学者们广泛研究，它是一种利用人在行走过程中的运动方式来对人进行身份识别的一种生物识别技术，与其他生物识别技术相比(如人脸，指纹等识别技术)，步态识别技术具有识别远距离、非侵犯性、难以伪装、安全性高等特点，在安防、智能监控等领域有着非常广阔的应用前景，是一个非常值得研究的课题。当前主流的跨视角的步态识别方法主要是使用统计学模型或者深度学习模型对步态能量图(GaitEnergyImage，简称GEI)进行参数学习，将不同视角的步态能量图输入到模型中进行参数学习，从而得到一个与视角无关的特征提取器，然后利用提取到的特征进行特征匹配，实现对人物的身份识别。但是这种类型的方法在取得步态能量图的时候已经损失掉了很多动态的步态信息，且步态能量图本身较为模糊，包含的动态的步态信息不足，在卷积神经网络中也无法很好地提取到足够的步态信息，在大数据集下面...
【技术保护点】
1.一种基于时空图的跨视角步态识别方法，其特征在于，包括：S11，对待识别原始图片进行背景减除，并按等高同比例裁剪得到步态空间图；S12，对所述步态空间图的坐标索引进行转置，对转置后的步态空间图按第一维展开，得到步态时间图；S13，分别构建用于提取步态空间特征的空间卷积神经网络模块和用于提取步态动态时间特征的时间卷积神经网络模块；S14，将所述步态空间图输入到空间卷积神经网络模块进行步态的特征提取，得到N个第一空间特征向量，将所述步态时间图输入到时间卷积神经网络模块进行步态的特征提取，得到M个第二空间特征向量；N≥1，M≥1；S15，将所述第一空间特征向量和第二空间特征向量...
【技术特征摘要】
1.一种基于时空图的跨视角步态识别方法，其特征在于，包括：S11，对待识别原始图片进行背景减除，并按等高同比例裁剪得到步态空间图；S12，对所述步态空间图的坐标索引进行转置，对转置后的步态空间图按第一维展开，得到步态时间图；S13，分别构建用于提取步态空间特征的空间卷积神经网络模块和用于提取步态动态时间特征的时间卷积神经网络模块；S14，将所述步态空间图输入到空间卷积神经网络模块进行步态的特征提取，得到N个第一空间特征向量，将所述步态时间图输入到时间卷积神经网络模块进行步态的特征提取，得到M个第二空间特征向量；N≥1，M≥1；S15，将所述第一空间特征向量和第二空间特征向量进行加权融合；将融合后的特征向量和数据库中存储的步态特征向量进行一一匹配；S16，若匹配成功，则根据数据库中存储的步态特征向量对应的身份信息得到待识别步态的身份信息，并输出识别结果。2.根据权利要求1所述的基于时空图的跨视角步态识别方法，其特征在于，步骤S11包括：对待识别原始图片利用二值化进行背景减除，并按等高同比例裁剪，得到数量不固定、高宽固定的步态空间图。3.根据权利要求1所述的基于时空图的跨视角步态识别方法，其特征在于，步骤S12还包括：对所述步态空间图的数量进行限制；对所述步态空间图的数量进行限制包括：预先设置时间轴长度为定值L，所述步态空间图为K张，若K≥L≥1，则选取最开始的L张步态空间图；若K<L，采用随机插帧方法将步态空间图补齐到L张。4.根据权利要求1所述的基于时空图的跨视角步态识别方法，其特征在于，步骤S13包括：使用所述步态空间图对空间卷积神经网络模块进行训练,直到模型收敛；使用所述步态时间图对时间卷积神经网络模块进行训练，直到模型收敛。5.根据权利要求1所述的基于时空图的跨视角步态识别方法，其特征在于，所述将所述第一空间特征向量和第二空间特征向量进行加权融合包括：分别对N个第一空间特征向量、M个第二空间特征向量取平均，将取平均后的第一空间特征向量和第二空间特征向量进行加权融合。6.根据权利要求2所述的基于时空图的跨视角步态识别方法，其特征在于，若所述待识别原始图片来自步态数据库OU-ISIRMVLP，步骤S11包括：将步态数据库OU-ISIRMVLP中的步态序列数据进行预处理，获取包含人物的黑白图片，根据像素质心公式计算所述黑白图片的质心位置，以像素质心点为中心，将所述黑白图片中像素点的最高点及最低点作为截取的范围，宽度按同比例，对所述黑白图片中人物部分进行截取，得到步态空间图，其中，步态数据库OU-ISIRMVLP包含10,307个人物的步态序列，其中5153个ID所对应的步态序列用于训练过程，其余ID所对应的步态序列...
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。