一种基于三目视觉数据的个体步态识别方法技术

本发明专利技术提供一种基于三目视觉数据的个体步态识别方法，包括以下步骤：S1：采集多角度下的人体轮廓信息；S2：提取每个角度的人体轮廓信息下的步态动力学特征，形成步态模式库；S3：根据步骤S2提取得到的步态动力学特征，构建每个角度下的步行深度学习模型；S4：获取待识别的多角度人体轮廓信息下的步态动力学特征，与已有的步态模式库中进行基于步态动力学特征的识别误差；S5：根据所得识别误差的大小判断每个角度下的步态深度学习模型学习所得的特征向量在最终分类任务中的权重值，实现步态识别。本发明专利技术把多个不同观测视角下的步态信息融合，提取综合特征。因此更加适应实际应用中复杂多变的内外因素的影响，有较强的实用性和可操作性。操作性。操作性。

【技术实现步骤摘要】
一种基于三目视觉数据的个体步态识别方法


[0001]本专利技术涉及模式识别
，更具体地，涉及一种基于三目视觉数据的个体步态识别方法。

技术介绍

[0002]尽管目前涌现出了许多步态识别算法，但是这些工作大多依赖某一特定观测视角，只收集分析了单一观测视角下的步态特性，故往往在穿衣不同、场地背景、提包与否、穿鞋种类不一，步速不一的情况下识别率不高。单一观测视角下收集到的步态特性相对有限，无法全面深入地刻画步行过程中的内在信息，从而无法构建一个鲁棒性强、抗干扰能力强的步态识别系统。
[0003]公开日为2020年10月23日，公开号为CN111814624A的中国专利公开了一种视频中行人步态识别训练方法、步态识别方法及存储装置，该行人步态识别训练方法包括：检测出视频中的行人图片并提取行人轮廓图；将行人轮廓图输入神经卷积网络中，依次采用空间注意力机制和帧注意力机制对行人轮廓图进行处理，获得特征图；对特征图在帧维度上进行分块处理，并计算每一分块特征图的三元组损失；优化三元组损失直至收敛得到行人步态识别结果。该专利采用单一观测视角，无法全面深入地刻画步行过程中的内在信息。

技术实现思路

[0004]本专利技术提供一种基于三目视觉数据的个体步态识别方法，融合多个视角下的步态信息，提高步态识别技术的鲁棒性。
[0005]为解决上述技术问题，本专利技术的技术方案如下：
[0006]一种基于三目视觉数据的个体步态识别方法，包括以下步骤：
[0007]S1：采集多角度下的人体轮廓信息；
[0008]S2：提取每个角度的人体轮廓信息下的步态动力学特征，形成步态模式库；
[0009]S3：根据步骤S2提取得到的步态动力学特征，构建每个角度下的步行深度学习模型；
[0010]S4：获取待识别的多角度人体轮廓信息下的步态动力学特征，与已有的步态模式库中进行基于步态动力学特征的识别误差；
[0011]S5：根据所得识别误差的大小判断每个角度下的步态深度学习模型学习所得的特征向量在最终分类任务中的权重值，实现步态识别。
[0012]优选地，所述步骤S1中利用互成角度的三台摄像机采集三个角度下的人体轮廓图像。
[0013]优选地，所述步骤S2中提取每个角度的人体轮廓信息下的步态动力学特征，具体为：
[0014]将三台摄像机下的人体轮廓图像序列分别进行背景减除以及形态学处理，获得三台摄像机下人体行走的二值步态轮廓图，提取人体运动面积特征参数，形成非线性步态动
力学特征矩阵，所述人体运动面积特征参数包括人体运动轮廓总面积A1、人体下肢轮廓总面积A2、以及两脚尖点连连线对地三角形面积A3。
[0015]优选地，所述步骤S2中形成步态模式库，具体为：
[0016]对提取得到的人体运动面积特征参数建立非线性动力学模型，构建神经网络用于提取非线性步态动力学，所得结果以常值神经网络的形式，代表步态模式存储在步态模式库中。
[0017]优选地，所述步骤S3中构建每个角度下的步行深度学习模型，具体为：
[0018]将三台摄像机下得到的非线性步态动力学特征矩阵输入至深度神经网络模型，进行二次特征提取和模型训练，并将二次特征提取后的步态特征值F1、F2、F3存储在步态模式库中，训练好的深度神经网络模型形成相对于三台摄像机的步态识别深度学习模型M1、M2、M3。
[0019]优选地，所述步骤S4中与已有的步态模式库中进行基于步态动力学特征的识别误差具体为：
[0020]在三台摄像机视图中分别利用所述常值神经网络构建动态估计器，计算提取得到的步态动力学特征与动态估计器得到的估计值之间的差值，形成识别误差ε并提取三台摄像机下取得的最小误差ε1，ε2，ε3。
[0021]优选地，所述构建动态估计器，具体为：
[0022][0023]式中，k＝1，...，M表示第k个估计器，表示动态估计器的状态，x是某一输入测试模式的状态变量，B是常值经验值参数(取值为[
‑
10,
‑
25]之间)。代表常值神经网络，其中代表神经网络权值矩阵，S(x)代表所用的径向基函数。
[0024]优选地，所述计算提取得到的步态动力学特征与动态估计器得到的估计值之间的差值，形成识别误差ε，具体为：
[0025][0026]式中，是状态估计误差，表示动态估计器的状态，x
i
表示某一输入测试模式的状态变量，b
i
表示常值经验值参数(取值为[
‑
10,
‑
25]之间)。代表常值神经网络，其中代表神经网络权值矩阵，S
i
(x)代表所用的径向基函数，φ
i
(x；p)代表测试模式非线性步态动力学特征，下标i＝1,2,3，分别指三台摄像机下得到的人体运动面积特征参数下的步态动力学特征，p代表系统参数，不同的p值表征不同的个体对应不同的步态动力学系统。
[0027]优选地，所述提取三台摄像机下取得的最小误差ε1，ε2，ε3，具体为：
[0028][0029]式中，T
c
代表步态周期时间值，t代表当前时间值。
[0030]优选地，步骤S5中根据所得识别误差的大小判断每个角度下的步态深度学习模型学习所得的特征向量在最终分类任务中的权重值，实现步态识别，具体为：
[0031]比较最小误差的大小关系，根据该大小关系选择不同的权值分配方案，不同的权值分配方案中的权值不同；
[0032]根据分配后的权值，将二次特征学习后所述的特征数据通过加权平均方式进行数值融合得到拼接后的步态特征数值，将拼接后的步态特征数值输入到七层全连接网络进行分类，完成步态识别。
[0033]与现有技术相比，本专利技术技术方案的有益效果是：
[0034]与传统的步态识别方法相比，本专利技术提出了三目视觉数据融合策略，把多个不同观测视角下的步态信息融合，提取综合特征。这种综合特征涵括了多个观测视角下更全面的步态信息，因此更加适应实际应用中复杂多变的内外因素的影响，有较强的实用性和可操作性。
附图说明
[0035]图1为本专利技术的方法流程示意图。
[0036]图2为实施例中人体运动面积特征参数的示意图。
具体实施方式
[0037]附图仅用于示例性说明，不能理解为对本专利的限制；
[0038]为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0039]对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0040]下面结合附图和实施例对本专利技术的技术方案做进一步的说明。
[0041]实施例1
[0042]本实施例提供一种基于三目视觉数据的个体步态识别方法，如图1所示，包括以下步骤：
[0043]S1：采集多角度下的人体轮廓信息；
[0044]S2：提取每个角度的人体轮廓信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三目视觉数据的个体步态识别方法，其特征在于，包括以下步骤：S1：采集多角度下的人体轮廓信息；S2：提取每个角度的人体轮廓信息下的步态动力学特征，形成步态模式库；S3：根据步骤S2提取得到的步态动力学特征，构建每个角度下的步行深度学习模型；S4：获取待识别的多角度人体轮廓信息下的步态动力学特征，与已有的步态模式库中进行基于步态动力学特征的识别误差；S5：根据所得识别误差的大小判断每个角度下的步态深度学习模型学习所得的特征向量在最终分类任务中的权重值，实现步态识别。2.根据权利要求1所述的基于三目视觉数据的个体步态识别方法，其特征在于，所述步骤S1中利用互成角度的三台摄像机采集三个角度下的人体轮廓图像。3.根据权利要求2所述的基于三目视觉数据的个体步态识别方法，其特征在于，所述步骤S2中提取每个角度的人体轮廓信息下的步态动力学特征，具体为：将三台摄像机下的人体轮廓图像序列分别进行背景减除以及形态学处理，获得三台摄像机下人体行走的二值步态轮廓图，提取人体运动面积特征参数，形成非线性步态动力学特征矩阵，所述人体运动面积特征参数包括人体运动轮廓总面积A1、人体下肢轮廓总面积A2、以及两脚尖点连连线对地三角形面积A3。4.根据权利要求3所述的基于三目视觉数据的个体步态识别方法，其特征在于，所述步骤S2中形成步态模式库，具体为：对提取得到的人体运动面积特征参数建立非线性动力学模型，构建神经网络用于提取非线性步态动力学，所得结果以常值神经网络的形式，代表步态模式存储在步态模式库中。5.根据权利要求4所述的基于三目视觉数据的个体步态识别方法，其特征在于，所述步骤S3中构建每个角度下的步行深度学习模型，具体为：将三台摄像机下得到的非线性步态动力学特征矩阵输入至深度神经网络模型，进行二次特征提取和模型训练，并将二次特征提取后的步态特征值F1、F2、F3存储在步态模式库中，训练好的深度神经网络模型形成相对于三台摄像机的步态识别深度学习模型M1、M2、M3。6.根据权利要求5所述的基于三目视觉数据的个体步态识别方法，其特征在于，所述步骤S4中与已有的步态模式库中进行基于步态动力学特征的识别误差具体为：在三台...

【专利技术属性】
技术研发人员：邓木清，邹毅，梁志辉，严格，陶昱衡，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：