一种步态识别方法、系统、电子设备及存储介质技术方案

本发明专利技术公开了一种步态识别方法、系统、电子设备及存储介质，其方法包括：获取待检测步态序列，以及至少两个候选步态序列；提取待检测步态序列的第一分类特征向量和第一角度特征向量，以及提取各候选步态序列的第二分类特征向量和第二角度特征向量；利用分类特征向量计算得到各候选步态序列对应的第一距离矩阵特征；利用角度特征向量计算得到各候选步态序列对应的第二距离矩阵特征；利用预设融合权重将距离矩阵特征融合，获取各候选步态序列对应的融合角度信息的特征距离；按照该特征距离对各候选步态序列进行重排序；根据重排序结果与待检测步态序列对目标进行识别。通过上述方案，能够通过获取的特征距离对所有视角进行重排，提高识别效率。提高识别效率。提高识别效率。

【技术实现步骤摘要】
一种步态识别方法、系统、电子设备及存储介质


[0001]本申请涉及计算机视觉
，特别是涉及一种步态识别方法、系统、电子设备及存储介质。

技术介绍

[0002]随着计算机技术的日渐成熟和普及，步态识别越来越重要，现有技术的步态识别方法通常为行人前景分割、特征提取、步态识别三个步骤完成。
[0003]对现有的研究和实践过程中，本申请的专利技术人发现，随着步态识别的发展，生活和工业中对视角识别的精度要求越来越高，尤其对于跨视角识别，使用轮廓识别时容易受到体型、角度影响较大，当轮廓变化较大时，跨视角识别效果差，现有技术通过一对一视角重排序进行跨视角识别，而对于多个视角需要进行多次排序造成识别效率较低；另外时序信息提取不足，会造成跨视角识别精度不高。

技术实现思路

[0004]本申请主要解决的技术问题是提供一种步态识别方法、系统电子设备及存储介质，能够通过预选训练的步态模型获取待检测序列相应的第一分类特征向量和第一角度特征向量，以及步态库中的若干步态序列对应的第二分类特征向量和第二角度特征向量，从而得到对应的第一距离矩阵特征和第二矩阵特征，进而得到融合角度信息的特征距离，依据所述特征距离进行视角重排序，完成对待检测序列的识别。
[0005]为解决上述技术问题，本申请采用的一个技术方案是：提供一种步态识别方法，包括：获取待检测步态序列，以及步态库中的至少两个步态序列；提取所述待检测步态序列的第一分类特征向量和第一角度特征向量，以及提取所述至少两个步态序列中各候选步态序列的第二分类特征向量和第二角度特征向量；利用所述第一分类特征向量和各候选步态序列的所述第二分类特征向量，计算得到各候选步态序列对应的第一距离矩阵特征；并利用所述第一角度特征向量和各候选步态序列的所述第二角度特征向量，计算得到各候选步态序列对应的第二距离矩阵特征；利用预设融合权重将所述第一距离矩阵特征和所述第二距离矩阵特征进行融合，获取各候选步态序列对应的融合角度信息的特征距离；按照所述各候选步态序列分别与所述待检测步态序列对应的特征距离，对所述至少两个候选步态序列进行重排序；根据重排序后的候选步态序列与所述待检测步态序列对目标进行步态识别。
[0006]在本申请的一实施例中，所述获取待检测步态序列，以及步态库中的至少两个候选步态序列，包括：获取待检测的行人步态数据，进而基于所述行人步态数据确定所述待检测步态序列；获取真实场景下各类步态数据，基于所述真实场景下各类步态数据确定若干候选步态序列，进而组成步态库；提取所述待检测步态序列的第一分类特征向量和第一角度特征向量，以及提取所述至少两个候选步态序列中各候选步态序列的第二分类特征向量和第二角度特征向量，包括：利用预先训练的步态模型对所述待检测步态序列进行特征训练，提取所述待检测步态序列的第一分类特征向量和第一角度特征向量，以及提取所述至
少两个候选步态序列中各候选步态序列的第二分类特征向量和第二角度特征向量。
[0007]在本申请的一实施例中，所述利用预先训练的步态模型对所述待检测步态序列进行特征提取，提取所述待检测步态序列的第一分类特征向量和第一角度特征向量，包括：利用所述预先训练的步态模型第一分支对所述待检测步态序列提取第一分类特征向量，利用所述预先训练的步态模型第二分支对所述待检测步态序列提取第一角度特征向量；其中，所述第一分类特征向量包括时序特征和静态特征，所述时序特征基于下半身躯干提取，所述静态特征基于上半身躯干提取；所述提取所述至少两个候选步态序列中各候选步态序列的第二分类特征向量和第二角度特征向量，包括：所述第二分类特征向量和所述第二角度特征向量基于步态库中的至少两个候选步态序列中各候选步态序列确定。
[0008]在本申请的一实施例中，所述利用所述第一分类特征向量和各候选步态序列的所述第二分类特征向量，计算得到各候选步态序列对应的第一距离矩阵特征，包括：获取第一分类特征向量与各候选步态序列的第二分类特征向量的距离，基于所获取的距离得到各候选步态序列对应的第一距离矩阵特征；所述利用所述第一角度特征向量和各候选步态序列的所述第二角度特征向量，计算得到各候选步态序列对应的第二距离矩阵特征，包括：获取第一角度特征向量与各候选步态序列的第二角度特征向量的距离，基于所获取的距离得到各候选步态序列对应的第二距离矩阵特征。
[0009]在本申请的一实施例中，在利用预设融合权重将所述第一距离矩阵特征和所述第二距离矩阵特征进行融合之前，所述步态识别方法还包括：基于所述第二距离矩阵特征，设置预设融合权重取值范围为0
‑
1。
[0010]在本申请的一实施例中，所述利用所述预设融合权重将所述第一距离矩阵特征和所述第二距离矩阵特征进行融合，获取各候选步态序列对应的融合角度信息的特征距离，包括：所述第一距离矩阵特征与设置了预设融合权重的所述第二距离矩阵特征进行计算操作，进而获取各候选步态序列对应的融合角度信息的特征距离。
[0011]在本申请的一实施例中，所述按照所述各候选步态序列分别与所述待检测步态序列对应的特征距离，对所述至少两个候选步态序列进行重排序，包括：获取所述至少两个候选步态序列中各候选步态序列的融合角度信息的特征距离；按照所述各候选步态序列分别与所述待检测步态序列对应的特征距离，对所述至少两个候选步态序列进行大小重排序，以确定重排序后的候选步态序列；其中，相同步态角度标签的特征距离小于不同步态角度标签的特征距离。
[0012]在本申请的一实施例中，所述根据重排序后的候选步态序列与所述待检测步态序列对目标进行步态识别，包括：获取重排序后的候选步态序列；根据重排序后的候选步态序列对待检测步态序列进行特征距离比较，基于特征距离比较结果确定步态识别结果。
[0013]在本申请的一实施例中，所述预先训练的步态模型，包括：获取目标场地的全视角步态数据，并根据所述全视角步态数据制作标签数据，基于所述全视角步态数据和所述标签数据确定轮廓序列；输入轮廓序列，并提取所述轮廓序列的序列特征；基于所述序列特征，提取所述轮廓序列的时序特征和静态特征；基于所述序列特征，提取所述轮廓序列的角度特征；按照所述时序特征和所述静态特征，对待训练模型的步态序号识别功能进行训练；按照所述角度特征，对所述待训练模型的步态角度识别功能进行训练。
[0014]在本申请的一实施例中，所述对待训练模型的步态序号识别功能进行训练，包括：
对待训练模型的步态序号识别功能进行三元组损失训练和步态序号分类损失训练；所述对所述待训练模型的步态角度识别功能进行训练，包括：对所述待训练模型的视角角度或场景或俯仰角进行训练。
[0015]为解决上述技术问题，本申请采用的另一个技术方案是：提供一种步态识别系统，包括：获取模块，用于获取待检测步态序列，以及步态库中的至少两个候选步态序列；提取模块，提取所述待检测步态序列的第一分类特征向量和第一角度特征向量，以及提取所述至少两个候选步态序列中各候选步态序列的第二分类特征向量和第二角度特征向量；第一计算模块，利用所述第一分类特征向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种步态识别方法，其特征在于，所述步态识别方法包括：获取待检测步态序列，以及步态库中的至少两个候选步态序列；提取所述待检测步态序列的第一分类特征向量和第一角度特征向量，以及提取所述至少两个候选步态序列中各候选步态序列的第二分类特征向量和第二角度特征向量；利用所述第一分类特征向量和各候选步态序列的所述第二分类特征向量，得到各候选步态序列对应的第一距离矩阵特征；并利用所述第一角度特征向量和各候选步态序列的所述第二角度特征向量，计算得到各候选步态序列对应的第二距离矩阵特征；利用预设融合权重将所述第一距离矩阵特征和所述第二距离矩阵特征进行融合，获取各候选步态序列对应的融合角度信息的特征距离；按照所述各候选步态序列分别与所述待检测步态序列对应的特征距离，对所述至少两个候选步态序列进行重排序
；
根据重排序后的候选步态序列与所述待检测步态序列对目标进行步态识别。2.根据权利要求1所述的步态识别方法，其特征在于，所述获取待检测步态序列，以及步态库中的至少两个候选步态序列，包括：获取待检测的行人步态数据，进而基于所述行人步态数据确定所述待检测步态序列；获取真实场景下各类步态数据，基于所述真实场景下各类步态数据确定若干候选步态序列，进而组成步态库；所述提取所述待检测步态序列的第一分类特征向量和第一角度特征向量，以及提取所述至少两个候选步态序列中各候选步态序列的第二分类特征向量和第二角度特征向量，包括：利用预先训练的步态模型对所述待检测步态序列进行特征提取，提取所述待检测步态序列的第一分类特征向量和第一角度特征向量，以及提取所述至少两个候选步态序列中各候选步态序列的第二分类特征向量和第二角度特征向量。3.根据权利要求2所述的步态识别方法，其特征在于，所述利用预先训练的步态模型对所述待检测步态序列进行特征提取，提取所述待检测步态序列的第一分类特征向量和第一角度特征向量，包括：利用所述预先训练的步态模型第一分支对所述待检测步态序列提取第一分类特征向量，利用所述预先训练的步态模型第二分支对所述待检测步态序列提取第一角度特征向量；其中，所述第一分类特征向量包括时序特征和静态特征，所述时序特征基于下半身躯干提取，所述静态特征基于上半身躯干提取；所述提取所述至少两个候选步态序列中各候选步态序列的第二分类特征向量和第二角度特征向量，包括：所述第二分类特征向量和所述第二角度特征向量基于步态库中的至少两个候选步态序列中各候选步态序列确定。4.根据权利要求1所述的步态识别方法，其特征在于，所述利用所述第一分类特征向量和各候选步态序列的所述第二分类特征向量，计算得到各候选步态序列对应的第一距离矩阵特征，包括：获取第一分类特征向量与各候选步态序列的第二分类特征向量的距离，基于所获取的距离得到各候选步态序列对应的第一距离矩阵特征；
所述利用所述第一角度特征向量和各候选步态序列的所述第二角度特征向量，计算得到各候选步态序列对应的第二距离矩阵特征，包括：获取第一角度特征向量与各候选步态序列的第二角度特征向量的距离，基于所获取的距离得到各候选步态序列对应的第二距离矩阵特征。5.根据权利要求1所述的步态识别方法，其特征在于，在利用预设融合权重将所述第一距离矩阵特征和所述第二距离矩阵特征进行融合之前，所述步态识别方法还包括：基于所述第二距离矩阵特征，设置所述预设融合权重取值范围为0
‑
1。6.根据权利要求1所述的步态识别方法，其特征在于，所述利用所述预设融合权重将所述第一距离矩阵特征和所述第二距离矩阵特征进行融合，获取各候选步态序列对应的融合角度信息的特征距离，包括：所述第一距离矩阵特征与设置了预设融合权重的所述第二距离矩阵特征进行计算操作，进而获取各候选步态序列对应的融合角度信息的特征距离。7.根据权利要求1所述的步态识别方法，其特征在于，所述按照所述各候选步态序列分别与所述待检测步态序列对应的特征距离，对所述至少两个候选步态序列进行重排序，包括：获取所述至少两个候选步态序列...

【专利技术属性】
技术研发人员：冯世灵，余盛晴，潘华东，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：