一种基于细粒度运动模式选择的步态识别方法及系统技术方案

本发明专利技术涉及一种基于细粒度运动模式选择的步态识别方法及系统，属于计算机视觉及生物识别技术领域。本发明专利技术首次提出了一个结构简单且有效的细粒度动作模式选择的步态识别模型，能够从大规模的特征点中筛选出多种外部条件变化下鲁棒的点位特征，从而有效实现高精度的步态识别。本发明专利技术有效解决了现有方法中步态识别准确率较低的问题，以及由于缺乏细粒度特征提取和运动模式选择而造成的步态特征表达不充分的问题，为现实场景下的布控提供了一个网络结构较为简单有效的方案。络结构较为简单有效的方案。络结构较为简单有效的方案。

【技术实现步骤摘要】
一种基于细粒度运动模式选择的步态识别方法及系统


[0001]本专利技术涉及一种基于细粒度运动模式选择的步态识别方法及系统，用于对步态剪影序列进行判别身份，属于计算机视觉及生物识别


技术介绍

[0002]步态识别是生物特征识别领域中的一项重要技术。它能够从多个不同角度的摄像机中获得同一个被试者走路的视频，并识别行人的身份信息。
[0003]与人脸识别、指纹识别和虹膜识别相比，步态识别具有远距离、多视角、非配合和抗伪装等特点。通常步态识别的有效距离为五十米，在社会安全、视频监控、犯罪调查等场景具有巨大的应用价值。
[0004]从运动学角度看，人体可以被视为是一种由多个关节构成的多链接刚体系统。人体在行走过程中，各个关节角度和人体重心始终处于动态变化，需要上百个运动学参数才能完整描述人体空间运动的姿态。从运动力学的角度看，步态的运动过程十分复杂，包括人体各个肌肉和中枢之间的协调控制。对于不同的人而言，由于生长环境和个体基因不同，导致肌肉分布、骨骼结构和运动神经存在个体间的差异。因此，不同场景中同一个人的步态特征相对稳定，而不同人体之间的步态特征存在差异。
[0005]目前，基于步态识别的方法主要包括两类：一是基于模型的步态识别方法，二是基于外表的步态识别方法。
[0006]1.基于模型的步态识别方法。此类方法试图将人体姿势结构拟合到图像中并提取运动学特征。例如，基于骨架的步态识别方法，通常使用固定数目的关键点作为特征提取的依据。
[0007]然而，目前没有任何证据表明这些关键点的选择是最优的。
[0008]2.基于外表的步态识别方法。包括基于模板的步态识别方法、基于集合的步态识别方法和基于序列的步态识别方法。
[0009](1)基于模板的步态识别方法。首先通过将序列压缩的方法获得步态先验信息，例如：步态能量图和计时步态图像等，然后提取步态的特征。
[0010]然而，此类方法的输入数据损失了大量的时序信息，识别准确率也不高。
[0011](2)基于集合的步态识别方法。设步态序列本身包含了位置信息，采用随机采样的方法从序列中随机采取固定数目的帧作为输入，然后利用2D卷积分别提取每张图片的特征，最后采取最大值池化的方法直接融合序列的特征。
[0012]然而，此类方法将剪影序列作为一个集合并通过最大值池化的方式整合特征，这种方法极大的弱化了时序特征的提取。
[0013](3)基于序列的步态识别方法。首先选择固定数目的连续的帧作为输入，然后采取3D卷积提取序列中的时空特征。
[0014]然而，此类方法忽略了对细粒度特征的有效处理和选择，丢失了大量的信息，同时引入了复杂的模块。
[0015]因此，为了能够获得更高的步态识别准确率、较为简单的神经网络，或为了满足现实条件下对普通摄像头的布控需求，迫切需要一种识别准确率较高、网络结构简单的步态识别神经网络方法及系统。

技术实现思路

[0016]本专利技术的目的是针对现有技术存在的缺陷和不足，为了解决现有方法由于忽略了对步态识别这一细粒度分类问题的认识，以及由于直接对时间维度进行最大值池化而造成的时序信息缺失等技术问题，创造性地提出一种基于细粒度运动模式选择的步态识别方法及系统。
[0017]本专利技术的创新点在于：首次提出了一个结构简单且有效的细粒度动作模式选择的步态识别模型，能够从大规模的特征点中筛选出多种外部条件变化下鲁棒的点位特征，从而有效实现高精度的步态识别。
[0018]为达到上述目的，本专利技术采用以下技术方案实现。
[0019]一种基于细粒度运动模式选择的步态识别方法，直接对剪影序列进行处理，包括以下步骤：
[0020]步骤1：对获取的步态视频数据进行预处理，获得原始的步态剪影序列。
[0021]具体地，数据预处理包括对图像中的人形提取轮廓边缘，将人体的中心与图片的中心重合，并将步态图片缩放到统一尺寸大小。
[0022]步骤2：利用基于细粒度运动模式选择的骨干网络，对步态剪影序列进行特征提取，获得序列中每个点位的初级特征。
[0023]其中，步态剪影序列由任意数目的连续采样帧组成。相邻帧之间存在连续的动作变化。骨干网络对输入序列提取步态特征。
[0024]具体包含了细粒度特征提取模块和横向池化模块。
[0025]首先，基于细粒度特征提取方式，提取序列中每个点位的时空特征，构成时空特征图。
[0026]然后，通过横向池化，将时空特征图横向切分为固定数目的特征，然后分别对局部特征进行优化。
[0027]步骤3：针对每一个局部特征，采取运动模式选择建立全局的联系，并进一步获得具有区分力的时空特征，同时去除干扰点。
[0028]其中，运动模式选择，是从大量点位的初级特征中进一步建立全局的时空关系，然后利用初级特征组成一个更具有区分性的步态特征。
[0029]优选地，可以采用最大值池化方式对特征的时间维度进行处理，从而选择出最具有区分性的步态特征。
[0030]步骤4：利用三元组损失和交叉熵损失分别对局部特征进行约束，并采取加权求和的方法计算最终损失。最后，利用反向传播算法对步态神经网络的参数进行迭代更新。
[0031]为实现本专利技术目的，依据上述方法，本专利技术进一步提出了一种基于细粒度运动模式选择的步态识别方法，包括图像预处理模块、细粒度特征提取模块、横向切分模块和运动模式选择模块。
[0032]其中，图像预处理模块，用于将步态剪影序列中的每帧图像的尺寸缩放到统一大
小；
[0033]细粒度特征提取模块，用于建立步态序列中每个位点的局部时空信息，并对步态特征的宽度的维度池化，从而获得初级步态时空特征。
[0034]横向切分模块，用于对特征图的高度维度进行水平切分，将完整的步态特征切分为局部的特征，从而对每个局部特征进行约束。
[0035]运动模式选择模块，用于对每个局部特征建立全局的时空特征，并对步态特征的时间维度进行池化，从而获得更具有区分力的特征。
[0036]有益效果
[0037]本专利技术，对比现有技术，具有以下优点：
[0038]本专利技术有效解决了现有方法中步态识别准确率较低的问题，以及由于缺乏细粒度特征提取和运动模式选择而造成的步态特征表达不充分的问题，为现实场景下的布控提供了一个网络结构较为简单有效的步态识别神经网络方法及系统。
附图说明
[0039]图1为本专利技术方法的总体流程图；
[0040]图2为本专利技术方法的算法流程图；
[0041]图3为本专利技术系统的结构示意图。
具体实施方式
[0042]下面结合附图和实施例对本专利技术做进一步详细说明。
[0043]实施例
[0044]如图1所示，一种基于细粒度运动模式选择的步态识别方法，包括以下步骤：
[0045]步骤S10：获取原始的步态视频数据，并得到步态剪影序列。
[0046]可以从普通摄像头获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细粒度运动模式选择的步态识别方法，其特征在于，包括以下步骤：步骤1：对获取的步态视频数据进行预处理，获得原始的步态剪影序列；其中，预处理包括对图像中的人形提取轮廓边缘，将人体的中心与图片的中心重合，并将步态图片缩放到统一尺寸大小；步骤2：利用基于细粒度运动模式选择的骨干网络，对步态剪影序列进行特征提取，获得序列中每个点位的初级特征；其中，步态剪影序列由任意数目的连续采样帧组成，相邻帧之间存在连续的动作变化；骨干网络对输入序列提取步态特征；首先，基于细粒度特征提取，提取出序列中每个点位的时空特征，构成时空特征图；然后，通过横向池化，将时空特征图横向切分为固定数目的特征，并分别对局部特征进行优化；步骤3：针对每一个局部特征，采取运动模式选择建立全局的联系，并进一步获得具有区分力的时空特征，同时去除干扰点；其中，运动模式选择，是从大量点位的初级特征中进一步建立全局的时空关系，然后利用初级特征组成一个更具有区分性的步态特征；步骤4：利用三元组损失和交叉熵损失分别对局部特征进行约束，并采取加权求和的方法计算最终损失；最后，利用反向传播算法对步态神经网络的参数进行迭代更新。2.如权利要求1所述的一种基于细粒度运动模式选择的步态识别方法，其特征在于，步骤3中，采用最大值池化方式对特征的时间维度进行处理，选择出最具有区分性的步态特征。3.如权利要求1所述的一种基于细粒度运动模式选择的步态识别方法，其特征在于，步骤3中，骨干网络包含细粒度特征提取模块和横向切分模块；其中，细粒度特征提取模块由3D卷积和最大值池化组成，对于步态序列中的每一个点位而言，由周围3D空间中的若干个点位学习得到：其中，(x，y，z)表示点位的坐标，a和b表示在a
‑
th层的第b
‑
th个特征图，LeakReLU代表激活函数，b
ab
分别表示3D卷积的权重和偏置，P、Q、R分别表示卷积核的高、宽和通道维度，m表示通道维度的大小；p、q、r均为变量，其取值的最大值分别为(P
‑
1)、(Q
‑
1)和(R
‑
1)；横向切分模块对步态特征图沿着高度维度进行横向切分，将全局的步态特征切分为局部特征，并分别进行约束和处理：其中，表示横向切分模块获得的局部步态特征，表示由骨干网络提取的步态特征，，i和j分别表示第i
‑
th帧和第j
‑
th个局部特征；AvgPool2d表示二维平均池化，MaxPool2d表示二维最大值池化。4.如权利要求3所述的一种基于细粒度运动...

【专利技术属性】
技术研发人员：付莹，马康，郑德智，张军，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：