一种步态识别改进方法、系统及设备和介质技术方案

本申请公开了一种步态识别改进方法包括：构建铁路进站环节的旅客自然步态数据集；构建基于GaitSet的改进步态识别网络模型，改进步态识别网络模型包括：多尺度特征融合模块和关键特征增强模块，其中，多尺度特征融合模块用于融合卷积神经网络的浅层细节特征信息和深层语义特征信息；关键特征增强模块用于增强步态信息的关键特征；利用旅客自然步态数据集、CASIA

【技术实现步骤摘要】
一种步态识别改进方法、系统及设备和介质


[0001]本申请涉及一种步态识别方法，特别涉及一种改进的GaitSet步态识别方法及其系统。

技术介绍

[0002]当前，当前步态识别算法研究取得了较大的进展，在实验室条件下的识别精度更是高达95％以上。然而在实际的开放环境下，步态序列中的情况异常复杂，普遍存在行人遮挡、停顿等情况，使得实验室环境下的步态识别算法性能显著下降。大部分识别精度高的步态识别算法都是基于时序信息的，所以对行人停顿的问题解决力不足。在此情况下，GaitSet识别算法的优点较为突出，将步态序列看做一个无序集合，不依赖步态序列的时序信息。因此，开放环境下的步态识别任务，本专利技术选择了GaitSet算法作为基准算法，但GaitSet基准算法的特征提取网络比较简单，没有充分利用步态数据信息。
[0003]因此，亟需提出一种步态识别改进方法及其系统，采用基于多尺度特征融合与关键特征增强的步态识别算法，在铁路客运服务行业开放环境下的数据集中进行验证，实现了比基准算法更好的效果，解决现有技术中存在的对行人停顿的问题解决力不足，且GaitSet基准算法的特征提取网络比较简单，没有充分利用步态数据信息的问题。

技术实现思路

[0004]本申请实施例提供了一种步态识别改进方法及其系统，解决现有技术中存在的对行人停顿的问题解决力不足，且GaitSet基准算法的特征提取网络比较简单，没有充分利用步态数据信息的问题。
[0005]第一方面，本申请实施例提供了一种步态识别改进方法，方法包括：r/>[0006]构建样本集步骤：构建铁路进站环节的旅客自然步态数据集；
[0007]构建基于GaitSet的改进步态识别网络模型步骤：构建基于GaitSet的改进步态识别网络模型，改进步态识别网络模型包括：多尺度特征融合模块和关键特征增强模块，其中，多尺度特征融合模块用于融合卷积神经网络的浅层细节特征信息和深层语义特征信息；关键特征增强模块用于增强步态信息的关键特征；
[0008]步态识别模型训练步骤：利用旅客自然步态数据集、CASIA
‑
B步态数据集及GREW步态数据集，训练改进步态识别网络模型，实现对改进步态识别网络模型识别率的验证。
[0009]本专利技术具体实施例中，上述构建基于GaitSet改进的步态识别网络步骤还包括：
[0010]特征获取步骤：将步态序列输入基准模型的第一层卷积神经网络与池化层，获取第一层特征；将第一层特征输入基准模型的第二层卷积神经网络与池化层，获取第二层特征；
[0011]多尺度特征融合步骤：将第一层特征输入多尺度特征融合模块，执行下采样获得第一次采样值，与第二层特征进行融合，获得第一次融合特征，用于后续神经网络的输入和再学习。
[0012]本专利技术具体实施例中，上述构建基于GaitSet改进的步态识别网络步骤还进一步包括：
[0013]再融合步骤：将第一次融合特征输入基准模型的第三层卷积神经网络，获取第三层特征；将第一次融合特征输入多尺度特征融合模块，执行下采样获得第二次采样值，与第三层特征进行融合，获得第二次融合特征。
[0014]本专利技术具体实施例中，上述构建基于GaitSet改进的步态识别网络步骤还进一步包括：
[0015]关键特征增强步骤：将第二次融合特征执行池化操作后形成第四层特征，将第四层特征输入关键特征增强模块进行特征增强；将第四层特征与MGP的输出进行融合的特征输入关键特征增强模块进行特征增强；
[0016]关键特征增强模块通过空间注意力机制对步态序列的特征细节信息进行像素级的增强，输出增强特征执行后续操作。
[0017]本专利技术实施例中，上述构建样本集步骤进一步包括：
[0018]收集并制作铁路行业步态识别数据集RENG。
[0019]本专利技术实施例中，上述关键特征增强步骤进一步包括：
[0020]初始化步骤：对输入的增强特征分别进行通道维度的最大池化和平均池化操作，分别得到大小为1
×
h
×
w的特征图，其中，1代表的是通道数，h和w为高度和宽度；
[0021]通道叠加步骤：将1
×
h
×
w的特征图在通道维度上进行叠加，输入一个卷积网络进行融合学习，得到大小为1
×
h
×
w的特征图后，经过Sigmoid激活操作，并与原特征图相乘，得到增强特征。
[0022]本专利技术实施例中，上述多尺度融合特征f
i+1
：
[0023]f
i+1
＝B(f
i
)+f
i
，其中，f
i
为当前层特征，f
i+1
为f
i
的下一层特征，B为是卷积层。
[0024]第二方面，本申请实施例提供了一种步态识别改进系统，采用如上步态识别改进方法，系统包括：
[0025]构建样本集模块：构建铁路进站环节的旅客自然步态数据集；
[0026]构建基于GaitSet的改进步态识别网络模型模块：构建基于GaitSet的改进步态识别网络模型，改进步态识别网络模型包括：多尺度特征融合模块和关键特征增强模块，其中，多尺度特征融合模块用于融合卷积神经网络的浅层细节特征信息和深层语义特征信息；关键特征增强模块用于增强步态信息的关键特征；
[0027]步态识别模型训练模块：利用旅客自然步态数据集、CASIA
‑
B步态数据集及GREW步态数据集，训练改进步态识别网络模型，实现对改进步态识别网络模型识别率的验证。
[0028]第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的步态识别改进方法。
[0029]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的步态识别改进方法。
[0030]相比于相关现有技术，具有以下突出的有益效果：
[0031]1)本专利技术方法提出多尺度特征融合方法，将细节信息和语义信息进行融合，获得更具鉴别力的特征；
[0032]2)本专利技术方法提出关键特征增强方法，通过注意力机制挖掘步态信息的关键特征并进行增强，提高不同步态之间的差异；
[0033]3)本专利技术方法收集并制作了开放环境下的步态数据集，所提出的方法在本专利技术的数据集上取得了更好的效果；
[0034]4)本专利技术方法相比于其它单纯地融合各阶段特征作为最后的特征，本专利技术的多尺度特征融合方法，还将融合后的特征传递给后续的卷积层进行再一次的学习，能够更好地学习细节和语义信息，进一步缓解梯度消失。
附图说明
[0035]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种步态识别改进方法，其特征在于，所述方法包括：构建样本集步骤：构建铁路进站环节的旅客自然步态数据集；构建基于GaitSet的改进步态识别网络模型步骤：构建基于GaitSet的改进步态识别网络模型，所述改进步态识别网络模型包括：多尺度特征融合模块和关键特征增强模块，其中，所述多尺度特征融合模块用于融合卷积神经网络的浅层细节特征信息和深层语义特征信息；所述关键特征增强模块用于增强步态信息的关键特征；步态识别模型训练步骤：利用所述旅客自然步态数据集、CASIA
‑
B步态数据集及GREW步态数据集，训练所述改进步态识别网络模型，实现对改进步态识别网络模型识别率的验证。2.根据权利要求1所述步态识别改进方法，其特征在于，所述构建基于GaitSet改进的步态识别网络步骤还包括：特征获取步骤：将步态序列输入基准模型的第一层卷积神经网络与池化层，获取第一层特征；将所述第一层特征输入基准模型的第二层卷积神经网络与池化层，获取第二层特征；多尺度特征融合步骤：将所述第一层特征输入所述多尺度特征融合模块，执行下采样获得第一次采样值，与所述第二层特征进行融合，获得第一次融合特征，用于后续神经网络的输入和再学习。3.根据权利要求2所述步态识别改进方法，其特征在于，所述构建基于GaitSet改进的步态识别网络步骤还进一步包括：再融合步骤：将所述第一次融合特征输入基准模型的第三层卷积神经网络，获取第三层特征；将所述第一次融合特征输入所述多尺度特征融合模块，执行下采样获得第二次采样值，与所述第三层特征进行融合，获得第二次融合特征。4.根据权利要求3所述步态识别改进方法，其特征在于，所述构建基于GaitSet改进的步态识别网络步骤还进一步包括：关键特征增强步骤：将所述第二次融合特征执行池化操作后形成第四层特征，将所述第四层特征输入所述关键特征增强模块进行特征增强；将所述第四层特征与MGP的输出进行融合的特征输入所述关键特征增强模块进行特征增强；所述关键特征增强模块通过空间注意力机制对所述步态序列的特征细节信息进行像素级的增强，输出增强特征执行后续操作。5.根据权利要求1所述步态识别改进方法，其特征在于，所述构建样本集步骤进一步包括：收集并制作铁路行业步态识别数据集RENG。6.根据权利要求4所述步态识别改进方法，其特...

【专利技术属性】
技术研发人员：李贝贝，朱建生，阎志远，戴琳琳，张世平，随玉腾，
申请(专利权)人：中国铁道科学研究院集团有限公司电子计算技术研究所北京经纬信息技术有限公司，
类型：发明
国别省市：