【技术实现步骤摘要】
本公开涉及图像识别，具体地，涉及一种基于图胶囊的双流步态识别方法、装置及介质。
技术介绍
1、步态识别是根据人体走路的姿势进行身份识别，相比指纹识别、语音识别、人脸识别等技术，步态识别具有易采集、远距离、非接触、难伪装、非侵入性等优势，是生物特征识别、计算机视觉、信息安全等领域的研究热点。在步态识别任务中，因着装、背包、肢体遮挡等因素的干扰，会影响识别模型识别的精确度。
技术实现思路
1、本公开的目的是提供一种基于图胶囊的双流步态识别方法、装置及介质，旨在解决上述问题。
2、本公开提供一种基于图胶囊的双流步态识别方法，所述方法包括：获取待识别对象的骨架数据；通过已训练的步态识别网络对所述骨架数据进行特征提取，获得第一特征数据；根据所述第一特征数据，获得针对所述待识别对象的步态识别结果；其中，所述已训练的步态识别网络包括第一特征提取器和胶囊模块，所述第一特征提取器包括多层依次连接的特征提取模块，所述已训练的步态识别网络通过下述方式进行特征提取：通过所述第一特征提取器中的多层特征提取模块对所述骨架数据进行特征提取，获得所述多层特征提取模块中每层输出的第二特征数据，其中，所述第一特征提取器的第一层特征提取模块的输入为所述骨架数据，所述第一特征提取器中除所述第一层特征提取模块外，其余层特征提取模块的输入为该层特征提取模块的前一层特征提取模块输出的第二特征数据；获取预设数量的第二特征数据，并通过所述胶囊模块对所述预设数量的第二特征数据进行向量化处理，获得所述第一特征数据，其中，所
3、可选地，所述预设数量为2个，所述预设数量的第二特征数据为所述多层特征提取模块中的最后两层输出的第二特征数据。
4、可选地，所述通过所述胶囊模块对所述预设数量的第二特征数据进行向量化处理，获得所述第一特征数据，包括：通过所述胶囊模块对所述预设数量的第二特征数据中的每个第二特征数据进行向量化处理，获得第三特征数据；通过所述胶囊模块对所述第三特征数据进行动态路由计算，获得所述第一特征数据。
5、可选地，所述已训练的步态识别网络还包括第二特征提取器，所述方法还包括：获取所述待识别对象的轮廓数据；通过所述第二特征提取器对所述轮廓数据进行特征提取，获得第四特征数据；所述根据所述第一特征数据，获得针对所述待识别对象的步态识别结果，包括：根据所述第一特征数据和所述第四特征数据，获得针对所述待识别对象的所述步态识别结果。
6、可选地，所述已训练的步态识别网络还包括特征拼接模块，所述根据所述第一特征数据和所述第四特征数据，获得针对所述待识别对象的所述步态识别结果，包括：通过所述特征拼接模块对所述第一特征数据和所述第四特征数据进行特征拼接，获得拼接后的特征数据；通过所述拼接后的特征数据，获得针对所述待识别对象的所述步态识别结果。
7、可选地，对所述已训练的步态识别网络通过下述方式进行训练：获取多个训练样本，其中，所述多个训练样本包括多个输入样本和每个输入样本对应的输出样本；将目标输入样本作为步态识别网络的输出，并将所述目标输入样本对应的目标输出样本作为所述步态识别网络的输出，对所述步态识别网络进行训练，其中，所述目标输入样本为所述多个输入样本中的任一输入样本；根据所述目标输入样本和所述目标输出样本，获得监督对比损失函数；根据所述输入样本和所述步态识别网络的胶囊模块输出的类胶囊，获得图重建损失函数；根据所述监督对比损失函数和所述图重建损失函数，获得目标损失函数；通过所述目标损失函数对所述步态识别网络进行训练，获得所述已训练的步态识别网络。
8、可选地，所述监督对比损失函数通过下式表示：
9、
10、
11、其中，lsupcon为监督对比损失函数，为针对目标样本的损失函数，vi为目标输入样本，vj(i)为目标输出样本，τ为温度参数，2n为训练样本的总数，vk为2n个样本中的任意一个样本，m为指示函数，当k不等于i时，m为1，当k等于i时，m为0，用于排除正样本对。
12、可选地，所述图重建损失函数通过下式表示：
13、
14、其中，lrecon为图重建损失函数，n为训练样本的总数，xi为目标输入样本，w1和w2均为权重矩阵，yi为类胶囊。
15、本公开还提供一种基于图胶囊的双流步态识别装置，所述装置获取模块，用于获取待识别对象的骨架数据；提取模块，用于通过已训练的步态识别网络对所述骨架数据进行特征提取，获得第一特征数据；识别模块，用于根据所述第一特征数据，获得针对所述待识别对象的步态识别结果；
16、其中，所述已训练的步态识别网络包括第一特征提取器和胶囊模块，所述第一特征提取器包括多层依次连接的特征提取模块，所述已训练的步态识别网络通过下述方式进行特征提取：
17、通过所述第一特征提取器中的多层特征提取模块对所述骨架数据进行特征提取，获得所述多层特征提取模块中每层输出的第二特征数据，其中，所述第一特征提取器的第一层特征提取模块的输入为所述骨架数据，所述第一特征提取器中除所述第一层特征提取模块外，其余层特征提取模块的输入为该层特征提取模块的前一层特征提取模块输出的第二特征数据；
18、获取预设数量的第二特征数据，并通过所述胶囊模块对所述预设数量的第二特征数据进行向量化处理，获得所述第一特征数据，其中，所述第一特征数据为向量数据。
19、可选地，本公开还提供一种非临时性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前述方法的步骤。
20、本公开提供的一种基于图胶囊的双流步态识别方法、装置及介质，获取待识别对象的骨架数据，然后通过已训练的步态识别网络的第一特征提取器中的多层特征提取模块对骨架数据进行特征提取，获得多层特征提取模块中每层输出的第二特征数据，其中，第一特征提取器的第一层特征提取模块的输入为骨架数据，第一特征提取器中除第一层特征提取模块外，其余层特征提取模块的输入为该层特征提取模块的前一层特征提取模块输出的第二特征数据；再获取预设数量的第二特征数据，并通过已训练的步态识别网络的胶囊模块对预设数量的第二特征数据进行向量化处理，获得第一特征数据，其中，第一特征数据为向量数据；根据第一特征数据，获得针对待识别对象的步态识别结果，在本公开中，通过胶囊模块将骨架数据处理成为向量数据的第一特征数据，向量数据可以表示不同身体部分之间的空间关系和姿态信息，可以更准确的捕捉和表达步态模式，从而提升步态识别的精确度。
21、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种基于图胶囊的双流步态识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预设数量为2个，所述预设数量的第二特征数据为所述多层特征提取模块中的最后两层输出的第二特征数据。
3.根据权利要求1所述的方法，其特征在于，所述通过所述胶囊模块对所述预设数量的第二特征数据进行向量化处理，获得所述第一特征数据，包括：
4.根据权利要求1～3任意一项所述的方法，其特征在于，所述已训练的步态识别网络还包括第二特征提取器，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述已训练的步态识别网络还包括特征拼接模块，所述根据所述第一特征数据和所述第四特征数据，获得针对所述待识别对象的所述步态识别结果，包括：
6.根据权利要求5所述的方法，其特征在于，对所述已训练的步态识别网络通过下述方式进行训练：
7.根据权利要求6所述的方法，其特征在于，所述监督对比损失函数通过下式表示：
8.根据权利要求6所述的方法，其特征在于，所述图重建损失函数通过下式表示：
9.一种
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～8中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于图胶囊的双流步态识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预设数量为2个，所述预设数量的第二特征数据为所述多层特征提取模块中的最后两层输出的第二特征数据。
3.根据权利要求1所述的方法，其特征在于，所述通过所述胶囊模块对所述预设数量的第二特征数据进行向量化处理，获得所述第一特征数据，包括：
4.根据权利要求1～3任意一项所述的方法，其特征在于，所述已训练的步态识别网络还包括第二特征提取器，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述已训练的步态识别网络还包括特征拼接模块，所...
【专利技术属性】
技术研发人员：韩宇星，陈光海，陈欣，张梦杰，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。