基于特征融合与视角三元组损失的跨视角步态识别方法技术

本发明专利技术公开了一种基于特征融合与视角三元组损失的跨视角步态识别方法。本发明专利技术采集不同视角下的步行图像序列，提取全局步态能量图及局部时空序列步态表示；实现步态表示到深度判别性特征的非线性映射；定义步态表示的深度特征之间的视角层次性欧氏距离为步态表示之间的度量距离；使用视角三元组损失函数监督特征学习网络的训练过程；融合两种不同类型的深度特征；利用不同步态间的差异，计算待识别步态融合特征与数据库步态融合特征间的欧氏距离，返回数据库中与待识别步态样本的欧氏距离最小的步态样本作为待识别步态的身份识别结果。本发明专利技术简便有效、识别精度较高，能有效应对视角变化的步态识别挑战，实现跨视角下的无限制步态识别。

【技术实现步骤摘要】

本专利技术属于模式识别，具体涉及一种基于特征融合与视角三元组损失的跨视角步态识别方法。

技术介绍

1、步态识别是一种新颖的生物特征识别技术，它旨在利用计算机视觉和模式识别等前沿的数字化技术，挖掘个体内在的步行运动特征并转化为独特的生物特征，从而实现基于人体步态的身份识别和验证任务。与其他生物特征识别技术相比，步态识别凭借其步态独一无二性、非物理接触性、个体被动性以及远距离可观察性等优点，具有巨大的发展前景，因此步态识别一直是模式识别领域中一个重要的课题。在实际的监控应用场景中，大多数步态识别方法在简单条件下能正常实现身份识别并且取得较高的准确识别率。然而，这些方法应对由于步行条件变化带来的步态外观变化(如步行速度改变、视角改变、穿着改变、携带状态改变、距离改变等)的鲁棒性很低，即步行条件改变时，行人步态外观通常会发生变形，因此正确识别率会剧烈下降，这严重阻碍了步态识别的实际应用进程的推进。在这些步行条件中，最大的难点之一就在于视角变化所带来的影响。由于监控场景中被识别对象的行走路线与摄像头的角度不可能一直不变,而且实际监控中还需进行跨摄像机的步态识别，视角本文档来自技高网...

【技术保护点】

1.基于特征融合与视角三元组损失的跨视角步态识别方法，其特征在于，包含如下步骤：

2.根据权利要求1所述的基于特征融合与视角三元组损失的跨视角步态识别方法，其特征在于，在步骤一中，提取局部时空序列作为局部步态表示；所述局部时空序列的提取方法为：在一个步态序列中，将连续T帧内所有的二值步行轮廓图像在空间维度上垂直且均匀地切分成m个子轮廓图，并按照时间顺序将处于相同位置的子轮廓图垂直地拼接，得到m个局部时空图，即得到局部时空序列L；所述局部时空序列的提取方法的数学表达为：

3.根据权利要求1或2所述的基于特征融合与视角三元组损失的跨视角步态识别方法，其特征在于，在步骤...

【技术特征摘要】

1.基于特征融合与视角三元组损失的跨视角步态识别方法，其特征在于，包含如下步骤：

2.根据权利要求1所述的基于特征融合与视角三元组损失的跨视角步态识别方法，其特征在于，在步骤一中，提取局部时空序列作为局部步态表示；所述局部时空序列的提取方法为：在一个步态序列中，将连续t帧内所有的二值步行轮廓图像在空间维度上垂直且均匀地切分成m个子轮廓图，并按照时间顺序将处于相同位置的子轮廓图垂直地拼接，得到m个局部时空图，即得到局部时空序列l；所述局部时空序列的提取方法的数学表达为：

3.根据权利要求1或2所述的基于特征融合与视角三元组损失的跨视角步态识别方法，其特征在于，在步骤二中，所述全局非线性映射能够实现全局步态表示g到全局深度特征的非线性映射，其中该映射由全局特征学习网络的网络参数θ1描述；所述局部非线性映射能够实现局部时空序列步态表示l到局部深度特征的非线性映射，其中该映射由局部特征学习网络的网络参数θ2描述。

4.根据权利要求3所述的基于特征融合与视角三元组损失的跨视角步态识别方法，其特征在于，在步骤二中，所述全局特征学习网络包括依次连接的输入模块，深度特征嵌入模块和下采样模块；

5.根据权利要求1或2或4所述的基于特征融合与视角三元组损失的跨视角步态识别方法，其特征在于，在步骤二中，所述局部特征学习网络包括m个参数共享的局部特征学习分支网络，其中局部特征学习网络的输入为局部时空序列，m个局部特征学习分支网络的输入分别对应于局部时空序列的m个局部时空图；所述局部特征学习分支网络包括依次连接的局部嵌入模块ⅰ、局部嵌入模块ⅱ、局部嵌入模块ⅲ和输出模块；

6.根据权利要求5所述的基于特征融合与视角三元组损失的跨视角步态识别方法，其特征在于，在步骤三中，所述人体步态表示之间的度量距离指的是步态表示的深度特征之间的视角层次性欧氏距离；所述视角层次性欧氏距离根据步态表示之间的深度特征向量差异...

【专利技术属性】
技术研发人员：邓木清，邹毅，曾智，朱武桥，刘远，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：