一种基于深度可分离卷积的步态轮廓提取方法和系统技术方案

技术编号:34091842 阅读:29 留言:0更新日期:2022-07-11 21:22
一种基于深度可分离卷积的步态轮廓提取方法,包括:对输入的步态图像序列进行预处理;采用空洞卷积神经网络对输入的步态图像序列进行特征提取;对featuremap图进行边缘细粒度进行修正;对提取的浅层特征图像和深层特征图像进行特征融合;通过上采样得到原图大小;输出步态轮廓图。本发明专利技术使用深度可分离卷积代替普通的卷积神经网络,极大地减少了encoder和decoder部分的参数量,加快了提取速度;对featuremap上的点做不稳定排序,对混乱的边界分类进行了重新预测,极大地提高了边缘分割的准确率和完整性。准确率和完整性。准确率和完整性。

【技术实现步骤摘要】
一种基于深度可分离卷积的步态轮廓提取方法和系统


[0001]本专利技术涉及的是图像处理领域,特别涉及一种基于深度可分离卷积的步态轮廓提取方法和系统。

技术介绍

[0002]步态是一种生物特征,相较于虹膜、掌纹、静脉等其他生物特征,步态具有非接触、远程可检测、非入侵性和难隐藏性等显著优势,可广泛应用于安防、交通、工业等行业领域。在现有步态识别技术中,首先通过目标检测与跟踪技术,生成步态图像序列,再进行步态轮廓提取,最后进行步态识别。步态黑白轮廓图的质量决定了步态识别的准确率,目前,已有的图像分割算法在分割区域边缘一直在震荡,变形,其边缘并没有得到很好的保留,导致边缘的分割不准,应用到步态识别场景,输出的黑白轮廓图还存在边缘残缺、不完整等现象,严重影响了步态识别的准确率。

技术实现思路

[0003]鉴于上述问题,提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度可分离卷积的步态轮廓提取方法和系统。
[0004]为了解决上述技术问题,本申请实施例公开了如下技术方案:
[0005]一种基于深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度可分离卷积的步态轮廓提取方法,其特征在于,包括:S100.对输入的步态图像序列进行预处理;S200.采用空洞卷积神经网络对输入的步态图像序列进行特征提取;S300.对featuremap图进行边缘细粒度进行修正;S400.对提取的浅层特征图像和深层特征图像进行特征融合;S500.通过上采样得到原图大小;S600.输出步态轮廓图。2.如权利要求1所述的一种基于深度可分离卷积的步态轮廓提取方法,其特征在于,S100中,对输入的步态图像序列进行预处理,包括:将输入图像尺寸转换为513*513*3大小。3.如权利要求1所述的一种基于深度可分离卷积的步态轮廓提取方法,其特征在于,S200中,采用空洞卷积神经网络对输入的步态图像序列进行特征提取,包括以下步骤:S201.以Xception65为主干网络;S202.通过多层串行的空洞卷积神经网络对输入的图像序列进行特征提取,输出特征S1,同时将S1分成两部分S1

1和S1

2;S203.对输出S1

2使用不同rate的多层并行空洞卷积神经网络进行特征提取,对输出的特征图通过1*1深度可分离卷积进行特征压缩得到特征S2。4.如权利要求3所述的一种基于深度可分离卷积的步态轮廓提取方法,其特征在于,S300中,对featuremap图进行边缘细粒度进行修正,包括以下步骤:对S1

1 featuremap上的点做不稳定排序,选取K个点出来;在Xception65网络中,输出为c1、c2、c3、c4;其中c1是较高分辨率下的featuremap(1/4),c4是最终的featuremap(1/16),将选择的K个点在这两个图上的对应特征提出来;将这K个点的对应位置的特征粘合到一起;使用MLP进行细分预测,使这些点归属为不同的类,用预测结果替换输出中的不稳定点;输出特征图S1
‑1‑
1;按照上述方法,对S2也进...

【专利技术属性】
技术研发人员:喻涵
申请(专利权)人:武汉众智数字技术有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1