一种步态识别方法及其在电子围栏的应用技术

本发明专利技术提供一种步态识别方法，包括以下步骤；S1、对无标签的步态图片进行预处理；S2、对预处理后的步态图片进行无监督特征提取：将正样本和负样本进行权重可学习的编码融合，以代表这个人的行走状态特征；再通过对比学习模型对正样本和负样本进行对比损失的比较，再反向传播给对比学习模型，从而完成特征的提取，得到步态编码数据；S3、根据步态编码数据进行匹配索引。本发明专利技术步态识别方法匹配准确率高，效率高，无需建立有标签数据库，对摄像头要求低，成本低，可应用于电子围栏。可应用于电子围栏。可应用于电子围栏。

【技术实现步骤摘要】
一种步态识别方法及其在电子围栏的应用


[0001]本专利技术涉及数据匹配领域，尤其涉及一种步态识别方法及其在电子围栏的应用。

技术介绍

[0002]电子围栏是最先进的周界防范报警系统。传统的电子围栏一般指的是安装于物理围栏上的一种周界防范报警系统，通过将高压脉冲信号传输值电子围栏上，并辅以声光电等预警等反制措施，防止入侵者进入围栏周界。智能电子围栏能够有有效地对重点监管区域进行管理，对区域内的行人进行路径追踪，极大提高对重点区域的管理效率。对于入而不出、非法闯入等违规现象进行报警，也能够对区域内失踪人员的搜救任务提供依据。在地形复杂的大型自然保护区内，人类活动大大加剧了火灾和失踪人员事件等紧急情况。自然保护区的管理、应急响应和救援行动每年需要花费很多的人力物力。然而，由于自然保护区幅员辽阔、地形复杂，传统的人工检查方法对进入自然保护区的人员进行监控和管理效果不佳。虽然基于人工智能的生物识别技术，如天眼系统已经成熟，可以对目标活动和行为进行实时跟踪、观察和记录，进行全面监控，但自然保护区内电力和高带宽网络基础设施的缺乏，阻碍了需要高清晰度设备、高功耗和高带宽网络的先进技术的应用。人们正在不断努力寻找更好的解决方案。然而，自然保护区面积大，地形复杂，电力和高带宽网络基础设施不足，对有效监管自然保护区提出了重大挑战。
[0003]传统的行人匹配方法大多依赖于高分辨率的高清图像对人特征的提取，然后与公安系统的身份数据库进行对比和检索，来实现对人身份的识别。存在问题：1.效率低。安防系统数据量大，对每个人的身份进行匹配检索，消耗大量时间，最后准确率还不一定高。2.成本高。依赖于高清的图像，需要使用高清摄像头，价格成本高昂，按当系统数据库检索速度慢，时间成本也较高。3.数据库对比。传统的步态识别方法，在每次对来往行人进行识别的时候都要提前建立好数据库，将需要识别的人物与数据库进行对比来识别某个人的具体身份。
[0004]现有的步态识别匹配方法有
[0005]VN
‑
GAN:Identity
‑
preserved Variation Normalizing GAN for Gait Recognition”中提及的VN
‑
GAN匹配方法；Liao R,Yu S,An W,et al.A“Model
‑
based Gait Recognition Method with Body Pose and Human Prior Knowledge”的Posegait匹配方法。目前，传统的匹配检索方法依赖于高清的图像和提前建立好的身份数据库，匹配检索速度慢，且准确率不够高。因此，亟需一种无需建立数据库、准确率高、效率高、成本低的步态识别方法及其在电子围栏的应用。

技术实现思路

[0006]为了克服现有技术的不足，本专利技术的目的在于提供一种准确率高的步态识别方法。
[0007]本专利技术的目的采用以下技术方案实现：
[0008]一种步态识别方法，包括以下步骤；
[0009]S1、对无标签的步态图片进行预处理：数据集包含多个人，每个人有若干个步行状态，每个行走状态有至少一个拍摄角度，每个拍摄角度下有若干张步态图片，步态图片经过固定时间截取；选取一个拍摄角度，将步态图片裁剪到相同大小，得到预处理后的步态图片；
[0010]S2、对预处理后的步态图片进行无监督特征提取：采用预训练模型对步态图片的正样本和负样本进行无监督预编码；负样本为每个人在每个镜头每个拍摄角度下顺序选取若干张，按将正样本为随机选取相同数量的步态图片；将正样本和负样本进行权重可学习的编码融合，以代表这个人的行走状态特征；再用对比学习模型对编码融合后的正样本和负样本进行对比损失的比较，再反向传播给对比学习模型，从而完成特征的提取，得到步态编码数据；
[0011]S3、根据步态编码数据进行匹配索引：将同一镜头下所有人的编码数据分别与其他镜头下所有人的步态编码数据进行余弦相似度的计算，将结果进行排序。
[0012]优选的，步骤S2中负样本为每个人在每个镜头每个拍摄角度顺序选取40张。
[0013]优选的，步骤S2中采用的预训练模型为VIT预训练模型。
[0014]VIT预训练模型的优点在于它对图像的采样要优于传统的cnn、vgg等预训练模型，通传统的预训练模型在对图像进行采样时具有一定的局限性，它只能学习相邻或者相近像素点的相关性，而VIT预训练模型的采样方式是学习所有像素点的任意组合的相关性，所以VIT模型能更好的抓住图像的特征，从而将不同的图像更好地区别开来。
[0015]优选的，步骤S1中，将步态图片裁剪为64*64像素。
[0016]优选的，步骤S1采用的数据集为CASIA
‑
B数据集。
[0017]优选的，步骤S3中通过设置阈值筛选掉待匹配项里没有该对象的情况。采用设置阈值的方式筛选掉待匹配项里面没有该对象的情况，例如在编码融合的时，图片数量不够的情况，就算相似度排第一，还是判断该对象没有经过该摄像头。
[0018]本专利技术还提供一种步态识别方法的应用，应用于电子围栏。
[0019]优选的，电子围栏的拍摄角度为0
°
，步行状态为正常行走状态。
[0020]与现有技术中的步态识别方法相比，本专利技术步态识别方法具有以下优点：
[0021]1.本专利技术步态识别方法通过对若干张步态图片进行权重可学习的编码融合，得到动态的运动特征，相对于静态的照片比对，通过对比动态的运动特征的异同加以区别，准确率更高。
[0022]2.步态识别方法通过无监督学习的特征处理，无需建立数据库、无需对数据集中的数据集进行提前标签，数据的采集、处理以及结果的输出可以较快地完成，效率高。
[0023]3.步态识别方法对图片的像素要求低，无需高清摄像头，成本低。
[0024]4.应用于智能电子围栏，可进行人物的路径追踪，便于管控。
附图说明
[0025]图1为同一个人在11个角度的步态图片数据结构图。
[0026]图2为特征提取流程图。
[0027]图3一对一匹配索引流程图。
[0028]图4二对四匹配索引流程图。
[0029]图5为电子围栏的路径追踪示意图。
具体实施方式
[0030]为使本专利技术解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将对本专利技术实施方式的技术方案作进一步的详细描述，显然，所描述的实施方式仅仅是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。
[0031]实施例1
[0032]一种步态识别方法，包括以下步骤：
[0033]S1、对无标签的步态特征数据进行基本的预处理：本实施例使用的数据集为CASIA
‑
B数据集，为步态识别中常用本文档来自技高网...

【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，包括以下步骤；S1、对无标签的步态图片进行预处理：数据集包含多个人，每个人有若干个步行状态，每个行走状态有至少一个拍摄角度，每个拍摄角度下有若干张步态图片，步态图片经过固定时间截取；选取一个拍摄角度，将步态图片裁剪到相同大小，得到预处理后的步态图片；S2、对预处理后的步态图片进行无监督特征提取：采用预训练模型对步态图片的正样本和负样本进行无监督预编码；负样本为每个人在每个镜头每个拍摄角度下顺序选取若干张，按将正样本为随机选取相同数量的步态图片；将正样本和负样本进行权重可学习的编码融合，以代表这个人的行走状态特征；再用对比学习模型对编码融合后的正样本和负样本进行对比损失的比较，再反向传播给对比学习模型，从而完成特征的提取，得到步态编码数据；S3、根据步态编码数据进行匹配索引：将同一镜头下所有人的编码数据分别与其他镜头下所有人的步态编码数据进行余弦相似度的计算，将...

【专利技术属性】
技术研发人员：周池春，张震宇，贯小林，刘张地，余卓航，
申请(专利权)人：大理大学，
类型：发明
国别省市：