一种行人身份识别方法、系统和存储介质技术方案

本发明专利技术涉及图像识别技术领域，公开了一种行人身份识别方法、系统和存储介质，通过结合步态轮廓图像特征和稠密光流图像特征，且采用自适应加权的方法提取行人的SIL

【技术实现步骤摘要】
一种行人身份识别方法、系统和存储介质


[0001]本专利技术涉及图像识别
，特别是涉及一种行人身份识别方法、系统和存储介质。

技术介绍

[0002]以生物特征为基础的行人身份识别方法主要由人脸识别，指纹识别，虹膜识别和步态特征识别等技术构成。其中，步态是指行人行走的姿势，包括腿部和胳膊的摆动姿势，是一种重要的行人行为特征。与其他的生物特征识别技术相比，步态特征识别技术具有非接触、对待识别图像的分辨率要求低和伪装困难等突出优势。因此，人们可以在商场、车站、街道两旁、交通要道和机场等地方安装摄像头，就可捕捉到行人行走姿势图像，从而提取其步态特征，以确定行人身份，最后进行刑事案件侦破或者社会治安等。
[0003]现有技术公开了一种视频中行人步态识别训练方法、步态识别方法及存储装置，该技术基于单一步态轮廓图提取步态特征，但轮廓图只能捕获轮廓边缘信息，而会忽略轮廓内部的运动信息，正是由于缺少这一重要信息，导致识别准确率大打折扣；并且直接将传统卷积神经网络应用于基于步态特征信息的个体身份识别方法中，导致输出低语义特征的特征图，识别准确率低；现有步态识别方法抗干扰能力不强，若个体因外部形态发生变化，如穿着大衣或者携带背包，识别准确率不高。

技术实现思路

[0004]本专利技术的目的是提供一种提高基于步态特征图像的识别方法的识别准确率的行人身份识别方法、系统和存储介质。
[0005]为了实现上述目的，本专利技术提供了一种行人身份识别方法，该方法包括以下步骤：
[0006]步骤S1：获取待识别图像序列；
[0007]步骤S2:从所述的待识别图像序列中提取行人步态轮廓图像特征和稠密光流图像特征；
[0008]步骤S3:将所述的步态轮廓图像特征和稠密光流图像特征按第一自适应比例融合获得第一SIL
‑
FLOW特征图，将所述的步态轮廓图像特征和稠密光流图像特征按第二自适应比例融合获得第二SIL
‑
FLOW特征图；
[0009]步骤S4:将第一SIL
‑
FLOW特征图和第二SIL
‑
FLOW特征图分别输入双流特征提取网络的两个通道，获得两张特征向量图，对获得的两张特征向量图进行融合,获得融合后特征；
[0010]步骤S5:将所述融合后特征输入步态特征编码结构进行编码后经由全连接神经网络，输出待识别图像序列对应的特征向量，根据输出的待识别图像序列对应的特征向量确定行人身份。
[0011]进一步地，步态轮廓图像特征通过如下方式获取：
[0012]对所述的待识别图像序列中的相邻两张图像用下式做差分获得行人步态轮廓图
像，
[0013][0014][0015]式中，(i，j)表示待识别图像序列中的各像素点坐标，B
t
(i,j)B
t
(i,j)代表时刻t的背景，I
t
(i,j)表示时刻t的视频帧，X
t
(i,j)表示时刻t提取的运动目标的二值图像，T表示分割阈值；
[0016]对所述的行人步态轮廓图像先进行形态学处理，再进行归一化处理，获得行人步态轮廓图像特征。
[0017]进一步地，稠密光流图像特征通过如下方式获取：
[0018]假设选取的像素点亮度不变，选取光流像素点在起始图像的坐标位置为(x1,y1)，该像素点在终止图像的位置为(x2,y2)，则光流矢量(u,v)表示为：(u,v)＝(x2,y2)
‑
(x1,y1)，将所述光流矢量(u,v)映射到HSV色彩空间中进行可视化得到稠密光流图像；
[0019]对所述稠密光流图像再进行归一化处理获得稠密光流图像特征。
[0020]进一步地，自适应比例通过如下方式确定：
[0021]设第一自适应比例和第二自适应比例中的步态轮廓图像特征的加权比为a，稠密光流图像特征的加权比为b，且a+b＝1；
[0022]且当图像中行人处于直立状态时，步态轮廓图像特征所提供的步态信息丰富于稠密光流图像特征，a＞b；
[0023]当行人处于非直立状态时，稠密光流图像特征所提供的步态信息丰富于步态轮廓图像特征,a＜b。
[0024]进一步地，自适应比例通过如下方式确定：
[0025]当图像中行人处于直立状态时，a＞0.5；当行人处于非直立状态时，稠密光流图像特征所提供的步态信息丰富于步态轮廓图像特征,b＞0.5。
[0026]进一步地，自适应比例通过如下方式确定：
[0027]当图像中行人处于直立状态时，步态轮廓图像特征所提供的步态信息丰富于稠密光流图像特征，设定步态轮廓图像特征加权比a＝0.7，当图像中行人处于非直立状态时，稠密光流图像特征所提供的步态信息丰富于步态轮廓图像特征，设定步态轮廓图像特征的加权比a＝0.3，稠密光流图像特征的加权比b＝0.7。
[0028]进一步地，双流特征提取网络包括两条通道，每条通道由3层依次连接的特征提取模块组成，每一层特征提取模块结构一样，特征提取模块结构结构如下：
[0029]所述特征提取模块结构包括残差支路、第一卷积层、第二卷积层、第三卷积层、第四卷积层和上采样层，所诉第一卷积层、第二卷积层、第三卷积层、第四卷积层和上采样层依次连接，所述的残差支路一端连接第一卷积层的输入，所述残差支路的另一端连接上采样层的输出，将所述第一卷积层输入的SIL
‑
FLOW特征图与上采样层输出的特征向量进行拼接融合，获得融合后特征。
[0030]进一步地，步态特征编码结构由6个结构一样的步态特征编码器组成，6个步态特
征编码器依次连接，第一个步态特征编码器与双流特征提取网络连接，最末一个步态特征编码器与全连接模块连接，
[0031]每一个步态特征编码器均包括残差支路1、残差支路2、残差支路3、多头注意力层、前馈网络层、第一相加层和第二相加层，
[0032]多头注意力层、第一相加层、前馈网络层和第二相加层依次连接；
[0033]多头注意力层的输入端线性映射产生Q、K、V三个输入头，即Q＝Linear(x)、K＝Linear(x)、V＝Linear(x)；
[0034]残差支路1的一端与多头注意力层的输入连接，残差支路1的另一端与第一相加层连接，将多头注意力层的输入与输出进行相加；
[0035]残差支路2的一端与前馈网络层的输入连接，残差支路2的另一端与第二相加层连接，将前馈网络层的输入和输出相加；
[0036]残差支路3的一端与多头注意力层的输入连接，残差支路3的另一端与第二相加层的输出连接，使多头注意力层的输入与第二相加层的输出进行融合；
[0037]全连接模块包括三层依次连接的全连接层，每一层全连接层含200个神经元，第一个全连接层的输入连接最后一个步态特征编码器的输出，最后一个全连接层输出待识别图像序列对应的特征向量，根据该特征向量确定行人身份。
[0038]为了实现上述目的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人身份识别方法，其特征在于，该方法包括以下步骤：步骤S1：获取待识别图像序列；步骤S2:从所述的待识别图像序列中提取行人步态轮廓图像特征和稠密光流图像特征；步骤S3:将所述的步态轮廓图像特征和稠密光流图像特征按第一自适应比例融合获得第一SIL
‑
FLOW特征图，将所述的步态轮廓图像特征和稠密光流图像特征按第二自适应比例融合获得第二SIL
‑
FLOW特征图；步骤S4:将第一SIL
‑
FLOW特征图和第二SIL
‑
FLOW特征图分别输入双流特征提取网络的两个通道，获得两张特征向量图，对获得的两张特征向量图进行融合,获得融合后特征；步骤S5:将所述融合后特征输入步态特征编码结构进行编码后经由全连接神经网络，输出待识别图像序列对应的特征向量，根据输出的待识别图像序列对应的特征向量确定行人身份。2.根据权利要求1所述的行人身份识别方法，其特征在于，步骤S2中行人步态轮廓图像特征通过如下方式获取：对所述的待识别图像序列中的相邻两张图像用下式做差分获得行人步态轮廓图像，对所述的待识别图像序列中的相邻两张图像用下式做差分获得行人步态轮廓图像，式中，(i，j)表示待识别图像序列中的各像素点坐标，B
t
(i,j)B
t
(i,j)代表时刻t的背景，I
t
(i,j)表示时刻t的视频帧，X
t
(i,j)表示时刻t提取的运动目标的二值图像，T表示分割阈值；对所述的行人步态轮廓图像先进行形态学处理，再进行归一化处理，获得行人步态轮廓图像特征。3.根据权利要求1所述的行人身份识别方法，其特征在于，步骤S2中稠密光流图像特征通过如下方式获取：假设选取的像素点亮度不变，选取光流像素点在起始图像的坐标位置为(x1,y1)，该像素点在终止图像的位置为(x2,y2)，则光流矢量(u,v)表示为：(u,v)＝(x2,y2)
‑
(x1,y1)，将所述光流矢量(u,v)映射到HSV色彩空间中进行可视化得到稠密光流图像；对所述稠密光流图像再进行归一化处理获得稠密光流图像特征。4.根据权利要求1所述的行人身份识别方法，其特征在于，设第一自适应比例和第二自适应比例中的步态轮廓图像特征的加权比为a，稠密光流图像特征的加权比为b，且a+b＝1；且当图像中行人处于直立状态时，步态轮廓图像特征所提供的步态信息丰富于稠密光流图像特征，a＞b；当行人处于非直立状态时，稠密光流图像特征所提供的步态信息丰富于步态轮廓图像特征,a＜b。5.根据权利要求4所述的行人身份识别方法，其特征在于，当图像中行人处于直立状态时，a＞0.5；当行人处于非直立状态时，稠密光流图像特征所提供的步态信息丰富于步态轮
廓图像特征,b＞0.5。6.根据权利要求4所述的行人身份识别方法，其特征在于，当图像中行人处于直立状态时，步态轮廓图像特征所提供的步态信息丰富于稠密光流图像特征，设定步态轮廓图像特征的加权比a＝0.7，稠密光流图像特征的加权比b＝0.3；当行人处于非直立状态时，稠密光流图像特征所提供的步态信息丰富...

【专利技术属性】
技术研发人员：钟泽邦，王艳娇，邓木清，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：