一种基于多生物特征自适应融合的身份识别方法及系统技术方案

本发明专利技术涉及一种基于多生物特征自适应融合的身份识别方法及系统。所述方法包括：从待识别视频序列中获取一个步态周期内的视频序列得到周期视频；获取待识别人在周期视频中每一帧对应的PAF矩阵得到行走特征矢量图；将行走特征矢量图分别输入第一卷积神经网络和长短时记忆神经网络得到空间特征矩阵和时间特征矩阵；将空间特征矩阵和时间特征矩阵进行特征融合得到待识别人的步态特征矩阵；使用自适应加权HOG特征的人脸识别算法对待识别的人脸图像进行处理得到人脸特征矩阵；采用基于SVM的自适应加权融合算法对人脸、步态特征矩阵和标准图像进行处理得到待识别人的身份识别结果。本发明专利技术具有很强的适应性可以提高身份识别的准确度。的准确度。的准确度。

【技术实现步骤摘要】
一种基于多生物特征自适应融合的身份识别方法及系统


[0001]本专利技术涉及身份识别
，特别是涉及一种基于多生物特征自适应融合的身份识别方法及系统。

技术介绍

[0002]人脸识别和步态识别作为目前受关注和应用较为广泛的生物特征身份识别技术，在应用场合和适用条件上具有相似性，因此有着可融合的前提。且在影响因素上，人脸识别容易受到光照、距离、表情、姿态等因素的影响，而步态识别易受年龄、行走条件、身体状况、心理因素、背包等条件的影响。由于这两种生物特征影响因素在外界环境变化时而互不干扰。因此可知步态和人脸这两种生物特征不但可以从一幅步态视频序列中同时获得，还可应用于相同的场合且具有一定的互补性。因此，将人脸特征和步态特征相结合的多生物特征身份识别已成为计算机视觉和模式识别领域的一个新的研究方向。
[0003]现有技术对于融合步态和人脸的多生物特征身份识别的研究中多是采用正面人脸和侧面步态图像这两种较容易提取相应特征的角度进行识别研究，只有少数采用了对侧面人脸和正面步态或其他某个角度的生物特征图像进行识别，在融合算法上，有数据层、特征层、匹配层和决策层四种融合算法，而以上方法都是在普通情况，背景单一的条件下进行的，使得上述几种身份识别方法在复杂背景下适应性差，识别结果不准确所以需要进行更进一步的研究来提高身份识别方法在复杂背景下适应性，以提高识别的准确度。

技术实现思路

[0004]本专利技术的目的是提供一种基于多生物特征自适应融合的身份识别方法及系统，在背景复杂的情况下，具有很强的适应性可以提高身份识别的准确度。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于多生物特征自适应融合的身份识别方法，包括：
[0007]获取待识别视频序列，并从所述待识别视频序列中获取一个步态周期内的视频序列得到周期视频；所述待识别视频序列中包括待识别人；
[0008]获取所述待识别人在所述周期视频中每一帧对应的PAF矩阵得到行走特征矢量图；所述PAF矩阵包括四肢的PAF和躯干的PAF；
[0009]将所述行走特征矢量图分别输入第一卷积神经网络和长短时记忆神经网络得到空间特征矩阵和时间特征矩阵；
[0010]将所述空间特征矩阵和所述时间特征矩阵进行特征融合得到所述待识别人的步态特征矩阵；
[0011]获取所述待识别视频序列中待识别人的人脸图像并使用自适应加权HOG特征的人脸识别算法对所述待识别人的人脸图像进行处理得到人脸特征矩阵；
[0012]采用基于SVM的自适应加权融合算法对所述人脸特征矩阵、所述步态特征矩阵和图像数据库中的标准图像进行处理得到所述待识别人的身份识别结果。
[0013]可选的，所述步态周期的确定方法为：
[0014]将所述待识别视频序列输入训练好的第二卷积神经网络得到所述待识别人的步态周期。
[0015]可选的，在所述采用自适应加权融合算法对所述人脸特征矩阵、所述步态特征矩阵和图像数据库中的标准图像进行处理得到所述待识别人的身份识别结果之前还包括：
[0016]对所述人脸特征矩阵进行降维处理得到降维后的人脸特征矩阵。
[0017]可选的，所述获取所述待识别视频序列中待识别人的人脸图像并使用自适应加权HOG特征的人脸识别算法对所述待识别人的人脸图像进行处理得到人脸特征矩阵，具体包括：
[0018]获取所述待识别视频序列中所述待识别人的人脸图像；
[0019]将所述待识别人的人脸图像划分成大小相同的细胞单元；
[0020]根据各细胞单元内像素梯度的方向及幅值计算各细胞单元的梯度直方图；
[0021]将所有细胞单元的梯度直方图确定为人脸特征矩阵。
[0022]可选的，所述采用基于SVM的自适应加权融合算法对所述人脸特征矩阵、所述步态特征矩阵和图像数据库中的标准图像进行处理得到所述待识别人的身份识别结果，具体包括：
[0023]将所述步态特征矩阵和所述人脸特征矩阵分别对基图像形成的坐标系进行投影得到步态投影矩阵和人脸投影矩阵；
[0024]根据所述步态投影矩阵计算所述待识别视频序列中的图像与图像数据库中的各标准图像的步态欧氏距离得到步态欧式距离数组；根据所述人脸投影矩阵计算所述待识别视频序列中的图像与图像数据库中的各标准图像的人脸欧氏距离得到人脸欧式距离数组；
[0025]根据所述步态欧式距离数组、所述人脸欧式距离数组、所述步态特征矩阵的拒识率和所述人脸特征矩阵的拒识率计算步态置信度和人脸置信度；
[0026]根据所述步态置信度计算步态融合权重，根据所述人脸置信度计算人脸融合权重；
[0027]根据所述步态融合权重和所述人脸融合权重得到所述待识别人的身份识别结果。
[0028]一种基于多生物特征自适应融合的身份识别系统，包括：
[0029]视频序列获取模块，用于获取待识别视频序列，并从所述待识别视频序列中获取一个步态周期内的视频序列得到周期视频；所述待识别视频序列中包括待识别人；
[0030]PAF矩阵获取模块，用于获取所述待识别人在所述周期视频中每一帧对应的PAF矩阵得到行走特征矢量图；所述PAF矩阵包括四肢的PAF和躯干的PAF；
[0031]时空特征确定模块，用于将所述行走特征矢量图分别输入第一卷积神经网络和长短时记忆神经网络得到空间特征矩阵和时间特征矩阵；
[0032]步态特征矩阵确定模块，用于将所述空间特征矩阵和所述时间特征矩阵进行特征融合得到所述待识别人的步态特征矩阵；
[0033]人脸特征矩阵确定模块，用于获取所述待识别视频序列中待识别人的人脸图像并使用自适应加权HOG特征的人脸识别算法对所述待识别人的人脸图像进行处理得到人脸特征矩阵；
[0034]身份识别模块，用于采用基于SVM的自适应加权融合算法对所述人脸特征矩阵、所
述步态特征矩阵和图像数据库中的标准图像进行处理得到所述待识别人的身份识别结果。
[0035]可选的，所述视频序列获取模块包括：
[0036]步态周期确定子模块，用于将所述待识别视频序列输入训练好的第二卷积神经网络得到所述待识别人的步态周期。
[0037]可选的，所述基于多生物特征自适应融合的身份识别系统，还包括：
[0038]降维模块，用于对所述人脸特征矩阵进行降维处理得到降维后的人脸特征矩阵。
[0039]可选的，所述人脸特征矩阵确定模块，具体包括：
[0040]获取子模块，用于获取所述待识别视频序列中所述待识别人的人脸图像；
[0041]细胞单元确定子模块，用于将所述待识别人的人脸图像划分成大小相同的细胞单元；
[0042]梯度直方图确定子模块，用于根据各细胞单元内像素梯度的方向及幅值计算各细胞单元的梯度直方图；
[0043]人脸特征矩阵确定子模块，用于将所有细胞单元的梯度直方图确定为人脸特征矩阵。
[0044]可选的，所述身份识别模块，具体包括：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多生物特征自适应融合的身份识别方法，其特征在于，包括：获取待识别视频序列，并从所述待识别视频序列中获取一个步态周期内的视频序列得到周期视频；所述待识别视频序列中包括待识别人；获取所述待识别人在所述周期视频中每一帧对应的PAF矩阵得到行走特征矢量图；所述PAF矩阵包括四肢的PAF和躯干的PAF；将所述行走特征矢量图分别输入第一卷积神经网络和长短时记忆神经网络得到空间特征矩阵和时间特征矩阵；将所述空间特征矩阵和所述时间特征矩阵进行特征融合得到所述待识别人的步态特征矩阵；获取所述待识别视频序列中待识别人的人脸图像并使用自适应加权HOG特征的人脸识别算法对所述待识别人的人脸图像进行处理得到人脸特征矩阵；采用基于SVM的自适应加权融合算法对所述人脸特征矩阵、所述步态特征矩阵和图像数据库中的标准图像进行处理得到所述待识别人的身份识别结果。2.根据权利要求1所述的一种基于多生物特征自适应融合的身份识别方法，其特征在于，所述步态周期的确定方法为：将所述待识别视频序列输入训练好的第二卷积神经网络得到所述待识别人的步态周期。3.根据权利要求1所述的一种基于多生物特征自适应融合的身份识别方法，其特征在于，在所述采用自适应加权融合算法对所述人脸特征矩阵、所述步态特征矩阵和图像数据库中的标准图像进行处理得到所述待识别人的身份识别结果之前还包括：对所述人脸特征矩阵进行降维处理得到降维后的人脸特征矩阵。4.根据权利要求1所述的一种基于多生物特征自适应融合的身份识别方法，其特征在于，所述获取所述待识别视频序列中待识别人的人脸图像并使用自适应加权HOG特征的人脸识别算法对所述待识别人的人脸图像进行处理得到人脸特征矩阵，具体包括：获取所述待识别视频序列中所述待识别人的人脸图像；将所述待识别人的人脸图像划分成大小相同的细胞单元；根据各细胞单元内像素梯度的方向及幅值计算各细胞单元的梯度直方图；将所有细胞单元的梯度直方图确定为人脸特征矩阵。5.根据权利要求1所述的一种基于多生物特征自适应融合的身份识别方法，其特征在于，所述采用基于SVM的自适应加权融合算法对所述人脸特征矩阵、所述步态特征矩阵和图像数据库中的标准图像进行处理得到所述待识别人的身份识别结果，具体包括：将所述步态特征矩阵和所述人脸特征矩阵分别对基图像形成的坐标系进行投影得到步态投影矩阵和人脸投影矩阵；根据所述步态投影矩阵计算所述待识别视频序列中的图像与图像数据库中的各标准图像的步态欧氏距离得到步态欧式距离数组；根据所述人脸投影矩阵计算所述待识别视频序列中的图像与图像数据库中的各标准图像的人脸欧氏距离得到人脸欧式距离数组；根据所述步态欧式距离数组、所述人脸欧式距离数组、所述步态特征矩阵的拒识率和所述人脸特征矩阵的拒识率计算步态置信度和人脸置信度；根据所述步态置信度计算步态融合权重，根据所述人脸置信度计算人脸融合权重；
根据所述步态融合权重和所述人脸融合权重得到所述待识别人的身份识别结果。6.一种基于多生物特征...

【专利技术属性】
技术研发人员：张驰，易小西，王涵，虞贵财，尹发根，张志伟，柳向娥，
申请(专利权)人：宜春学院，
类型：发明
国别省市：