一种基于Android手机的步态识别方法技术

一种基于Android手机的步态识别方法，包括以下步骤：步骤1、注册数据集预处理，使用Android手机每人采集5个不同角度数据传输至服务器，使用DeepLabv3+深度学习模型提取人体目标轮廓，并使用中心线原则切割得到64*64的图像；步骤2、使用训练好的GaitSet步态识别模型对注册集图像序列进行特征提取，得到注册集特征；步骤3、测试数据采集，类似步骤1每人采集1个角度图像对数据进行预处理，并使用GaitSet模型提取检测集特征；步骤4、检测集中每一个检测图像序列特征与注册集中每一个图像序列特征使用欧式距离计算相似性；步骤5、对得到的距离数组Dis从小到大排序，取Dis数组中距离最小的5个距离，记录其对应特征的对应标签LT，根据LT进行标签和置信度的计算，传回结果给Android手机。本发明专利技术能结合Android手机和高性能服务器的优点，Android手机采集数据方便的同时，高性能服务器能运用深度学习网络精准地进行人体的轮廓提取，并快速地进行步态的注册与识别，维护简单且使用方便。

【技术实现步骤摘要】
一种基于Android手机的步态识别方法
本专利技术属于计算机视觉
，涉及一种基于Android手机的步态识别方法。技术背景人体生物特征识别是传统的模式识别问题，它是利用人的生理或行为特征进行人的身份识别。指纹、眼虹膜与面像等是第一代生物特征，通常要求近距离的或者接触性的感知，如指纹需要接触指纹扫描仪，眼虹膜需要近距离地捕捉，而面像也不能距离远，否则不能提供足够的分辨率等。显然，在远距离的情况下，上述的人体生物特征将不可能被使用。但是，人的步态仍是可见的，且它可在被观察者没有觉察的情况下从任意角度进行非接触性的感知和度量。因此，步态识别是生物特征识别技术的一个新兴子领域。从视觉监控的观点来看，步态是远距离情况下最有潜力的生物特征，从而引起了国内外广大研究者们的浓厚兴趣。步态识别通过人们走路的姿势进行身份识别，与其它的生物特征识别技术相比，步态识别具有非接触、远距离和不容易伪装等优点，在预防犯罪、法医鉴定和社会保障方面具有广泛的应用。步态识别的输入是一段行走的视频图像序列，因此其数据采集与面部识别相似，具有非侵犯性和可接受性。但是，由于序列图像的数据量较大，因此步态识别的计算复杂度比较高，处理起来也比较困难。主流步态识别的载体是高性能服务器，计算速度快，但是数据采集不够灵活。Android手机也是步态识别常用的载体，但是由于其性能的限制，识别的速度相对较慢。
技术实现思路
为了克服现有技术的不足，本专利技术方法结合了Android手机和高性能服务器各自的优点：Android手机更加便捷，用于数据采集和与服务器的交互；高性能服务器有更强的算力，运行深度学习模型以完成步态识别。为了解决上述技术问题，本专利技术能够提供如下的技术方案：一种基于Android手机的步态识别方法，所述方法包括以下步骤：步骤1.注册数据集预处理，使用Android手机采集数据传输至服务器进行注册，过程如下：1.1)使用Android手机摄像头进行步态图像序列的采集；1.2)使用socket在Android手机客户端上将图像序列和对应的标签传输给高性能服务器；1.3)服务器对得到的图像批量操作，使用DeepLabv3+深度学习模型提取人体目标轮廓，并使用中心线原则切割得到64*64的图像；1.4)更换Android手机拍摄角度，重复1.1-1.3，共进行5次；1.5)保存m个图像序列与对应的标签，分别记为Q＝{Ii|i＝1，2，...，m}和T＝{Li|i＝1，2，...，m}，其中，Ii＝{Ok|k＝1，2，...，5}表示第i个图像序列，共有5组图像，Li表示第i个图像序列对应的标签；步骤2.使用训练好的GaitSet步态识别模型对注册集图像序列Q进行特征提取，共有5*m个特征，得到注册集特征X＝{Fi|i＝1，2，...，5*m}，并保存X；步骤3.测试数据采集，并进行特征提取，过程如下：3.1)使用步骤1.1-1.3传输并预处理测试图像序列，得到n个测试集图像序列P＝{Oj|j＝1，2，...，n}；3.2)使用训练好的GaitSet步态识别模型对测试集图像序列P进行特征提取，得到检测集特征Y＝{Fj|j＝1，2，...，n}，并保存Y；步骤4.比对注册集特征X和检测集特征Y的相似度，判断测试图像序列的身份并计算置信度，过程如下：4.1)对Y中的每一个检测图像序列特征Fj，与X中每一个注册图像序列特征Fi使用欧式距离计算相似性，计算公式如下：其中，Dij表示检测集Y中的第j个特征与注册集X第i个特征的欧氏距离，得到距离数组Dis＝{Dij|i＝1，2，...，5*m}；4.2)对Dis数组按照距离从小到大的排序；4.3)取Dis数组中距离最小的5个距离，记录其对应特征的对应标签LT＝{Li|i＝1，2，...，5}；4.4)如果LT存在众数，取标签l为众数对应的Li，num表示众数出现的次数，计算置信度c，计算公式如下：4.5)如果LT中不存在众数，令l为L1，c为0.2；4.6)使用socket将标签l和置信度c传回手机，完成识别；4.7)重复4.1-4.6，直至遍历完Y。本专利技术的有益效果是：本专利技术能结合Android手机和高性能服务器的优点，Android手机采集数据方便的同时，高性能服务器能运用深度学习网络精准地进行人体的轮廓提取，并快速地进行步态的注册与识别，维护简单且使用方便。附图说明图1是本专利技术方法的Android客户端界面。图2是本专利技术方法的人体轮廓提取效果图。图3是本专利技术方法的中心线原则切割的示意图。图4是本专利技术方法的流程图。具体实施方式下面结合附图对本专利技术进一步描述。Android客户端界面参考图1，完成采集、传输图片和标签的功能。图2展示了DeepLabv3+深度学习网络进行人体轮廓提取的效果，图3是本专利技术方法的中心线原则切割的示意图。参照图4，一种基于Android手机的步态识别方法，包括以下步骤：步骤1.注册数据集预处理，使用Android手机采集数据传输至服务器进行注册，过程如下：1.1)使用Android手机摄像头进行步态图像序列的采集；1.2)使用socket在Android手机客户端上将图像序列和对应的标签传输给高性能服务器；1.3)服务器对得到的图像批量操作，使用DeepLabv3+深度学习模型提取人体目标轮廓，并使用中心线原则切割得到64*64的图像；1.4)更换Android手机拍摄角度，重复1.1-1.3，共进行5次；1.5)保存m个图像序列与对应的标签，分别记为Q＝{Ii|i＝1，2，...，m}和T＝{Li|i＝1，2，...，m}，其中，Ii＝{Ok|k＝1，2，...，5}表示第i个图像序列，共有5组图像，Li表示第i个图像序列对应的标签；步骤2.使用训练好的GaitSet步态识别模型对注册集图像序列Q进行特征提取，共有5*m个特征，得到注册集特征X＝{Fi|i＝1，2，...，5*m}，并保存X；步骤3.测试数据采集，并进行特征提取，过程如下：3.1)使用步骤1.1-1.3传输并预处理测试图像序列，得到n个测试集图像序列P＝{Oj|j＝1，2，...，n}；3.2)使用训练好的GaitSet步态识别模型对测试集图像序列P进行特征提取，得到检测集特征Y＝{Fj|j＝1，2，...，n}，并保存Y；步骤4.比对注册集特征X和检测集特征Y的相似度，判断测试图像序列的身份并计算置信度，过程如下：4.1)对Y中的每一个检测图像序列特征Fj，与X中每一个注册图像序列特征Fi使用欧式距离计算相似性，计算公式如下：其中，Dij表示检测集Y中的第j个特征与注册集X第i个特征的欧氏距离，得到距离数组Dis＝{Dij|i本文档来自技高网...

【技术保护点】
1.一种基于Android手机的步态识别方法，其特征在于，所述方法包括以下步骤：/n步骤1.注册数据集预处理，使用Android手机采集数据传输至服务器进行注册，过程如下：/n1.1)使用Android手机摄像头进行步态图像序列的采集；/n1.2)使用socket在Android手机客户端上将图像序列和对应的标签传输给高性能服务器；/n1.3)服务器对得到的图像批量操作，使用DeepLabv3+深度学习模型提取人体目标轮廓，并使用中心线原则切割得到64*64的图像；/n1.4)更换Android手机拍摄角度，重复1.1-1.3，共进行5次；/n1.5)保存m个图像序列与对应的标签，分别记为Q＝{I

【技术特征摘要】
1.一种基于Android手机的步态识别方法，其特征在于，所述方法包括以下步骤：
步骤1.注册数据集预处理，使用Android手机采集数据传输至服务器进行注册，过程如下：
1.1)使用Android手机摄像头进行步态图像序列的采集；
1.2)使用socket在Android手机客户端上将图像序列和对应的标签传输给高性能服务器；
1.3)服务器对得到的图像批量操作，使用DeepLabv3+深度学习模型提取人体目标轮廓，并使用中心线原则切割得到64*64的图像；
1.4)更换Android手机拍摄角度，重复1.1-1.3，共进行5次；
1.5)保存m个图像序列与对应的标签，分别记为Q＝{Ii|i＝1,2,…,m}和T＝{Li|i＝1,2,…,m}，其中，Ii＝{Ok|k＝1,2,…,5}表示第i个图像序列，共有5组图像，Li表示第i个图像序列对应的标签；
步骤2.使用训练好的GaitSet步态识别模型对注册集图像序列Q进行特征提取，共有5*m个特征，得到注册集特征X＝{Fi|i＝1,2,…,5*m}，并保存X；
步骤3.测试数据采集，并进行特征提取，过程如下：
3.1)使用步骤1.1-1.3传输并预处理测试图...

【专利技术属性】
技术研发人员：胡海根，汪鹏飞，吴泽成，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33