基于深度学习融合SVM的步态识别方法技术

本发明专利技术公开了一种步态识别方法。该方法基于深度学习融合SVM实现对行走人体的身份识别。包括：步骤1：采用基于深度学习的姿态估计算法对行走录像进行预处理，提取人体关键点特征；步骤2：从步态序列提取所需特征构建特征向量后，通过使用SVM分类器完成身份识别。本发明专利技术能够识别出行走视频中个体的具体身份，较好的提高了步态识别的效率和准确性。与已有的技术相比，该方法不仅可以结合身体结构的独特性获取人体的关键点信息，还可以对出错的关键点信息进行一定的修正。息进行一定的修正。息进行一定的修正。

【技术实现步骤摘要】
基于深度学习融合SVM的步态识别方法


[0001]本专利技术涉及计算机
，具体来说，本专利技术涉及一种对人体进行步态识别的深度学习方法。

技术介绍

[0002]步态识别技术是一门关于分析处理人行走的图像序列的技术。这种技术通过提取人体行走过程中最能体现个体差异性的特征，并进行有效分类，来实现对人体身份的识别。相比于人脸识别，这种方法对于监控设备的要求较小，并且步态特征相比于面部特征更难以长时间进行伪装和隐蔽，所以更容易获取符合要求的特征。
[0003]步态识别技术现在还处于发展阶段，目前主要在公安系统对嫌疑人进行跟踪识别方面有一定的应用，步态识别技术在临床、国防、生物认证、人机交互等多个领域有良好的应用前景，所以步态识别方法的研究具有重要的意义。
[0004]目前已经有一些方法来进行步态识别工作。步态识别主要分为人体关键点提取和步态序列分类两个部分。人体关键点提取方面，目前主要方法是使用Vibe，Codebook，背景减除法等人体运动区域分割算法把人体和背景分开，然后构建步态能量图或者基于人体骨架图使用ZS细化算法来获得人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习融合SVM的步态识别方法，其特征在于，包括：步骤1：采用基于深度学习的姿态估计算法对行走录像进行预处理，提取人体关键点特征；步骤2：从步态序列提取所需特征构建特征向量后，通过使用SVM分类器完成身份识别。2.根据权利要求1所述的基于深度学习融合SVM的步态识别方法，其特征在于，所述步骤1包括：步骤1.1：采用Openpose姿态估计算法提取待识别行走录像对应的步态序列；步骤1.2：使用纠正算法对步态序列中误识别关键点进行纠正。3.根据权利要求2所述的基于深度学习融合SVM的步态识别方法，其特征在于，所述步骤1.1包括：步骤1.1.1：使用Openpose对待识别行走录像按照时间顺序对其每一帧进行识别，从行走录像第一帧开始，到最后一帧结束，得到其每一帧对应的人体关键点信息：F
t
＝[(x
t，0
，y
t，0
)，(x
t，1
，y
t，1
)，...，(x
t，c
，y
t，c
)]式中：F
t
表示第t帧的人体关键点信息，c表示人体关键点对应的数字编号，从编号0到编号6对应了鼻子(头部)，左髋关节，右髋关节，左膝关节，右膝关节，左踝关节，右踝关节7个关键点。(x
t，c
，y
t，c
)表示在第t帧第c个关键点对应的点坐标。步骤1.1.2：将每一帧的信息汇总后得到待检测者p在第v段视频下的人体步态序列S
p，v
＝[F0，F1，...，F
t
，...，F
n-1
]。4.根据权利要求2所述的基于深度学习融合SVM的步态识别方法，其特征在于，所述步骤1.2包括：步骤1.2.1：找出开始出错帧，并且识别出该帧出错的关键点，将当前帧的关键点与前一帧进行对比。判断该帧是否满足开始出现错误的条件如下：x
t-1，c
+ε
b，c
＜x
t，c
或者x
t-1，c-x
t，c
＞ε
f，c
式中：x
t，c
表示待纠正行走视频的第t帧...

【专利技术属性】
技术研发人员：吴军华，苗兴，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：