【技术实现步骤摘要】
本专利技术涉及于步态识别，尤其涉及一种基于步态分析的行人重识别方法。
技术介绍
1、行人重识别是各种安全应用中的重要任务，例如交通管理、避免碰撞和紧急情况。目前，人脸识别和指纹识别广泛应用于机场、银行、车站等安全敏感场所，因为它们在识别个体方面具有很高的准确性和可靠性；而基于步态的行人识别技术作为一种独特的人类行为，仍处于实验室阶段，并有限地应用于实际应用场景。步态是人类天生的行为，描述了人类在行走过程中的运动特征，包括身体轮廓、姿势、手臂等的运动变化。步态分析已广泛应用于各个领域，包括医学、工程和机器人技术，通过分析其步态模式来识别个体。例如，步态分析已通过分析患者步态模式而用于诊断和治疗parkinson's病和alzheimer's病。由于个体的生理结构差异(如身高、leg长度、肌肉分布和健康状况等)，尽管步态特征的视觉分辨率不如人脸识别、指纹识别和虹膜特征的高，但其仍然具有区分性。因此，因为它的独特性和根据步态模式识别个体的能力，基于步态的行人识别技术在身份验证、行人检测和安全监控等领域具有很大的应用潜力。
2、与常见的人类生物特征相比，基于步态的行人识别技术具有一些优点。首先，步态特征的提取过程非接触，这使得获取数据资源相对容易。其次，步态特征是鲁棒的，对距离和分辨率没有显著敏感性。第三，步态是对个人形状和长期行走习惯的客观反映，使其难以伪装、隐藏或模仿。然而，在将步态识别应用于行人重识别过程中，当收集视角变化或携带不同物品时，必须使用少量样本来识别相同的对象，这给步态特征的表示和提取带来了更大的挑战。p>
3、因此，亟需一种基于步态分析的行人重识别方法。
技术实现思路
1、本专利技术的目的是提供一种基于步态分析的行人重识别方法，以解决上述现有技术中的问题，具有更高的识别率，在行人识别中表现出更好的性能，提高了行人识别的有效性和鲁棒性。
2、本专利技术提供了一种基于步态分析的行人重识别方法，其中，包括：
3、获取步态数据集；
4、将所述步态数据集输入预先构建的至少由空间卷积网络和时间循环网络组成的双向并行网络，分别提取空间步态特征和时间步态特征，其中，所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征；
5、对所述空间步态特征和所述时间步态特征进行融合，得到行人重识别结果。
6、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述将所述步态数据集输入预先构建的至少由空间卷积网络和时间循环网络组成的双向并行网络，分别提取空间步态特征和时间步态特征，其中，所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征，具体包括：
7、将从所述步态数据集中随机提取的序列轮廓输入所述空间卷积网络中，所述空间卷积网络通过卷积层进行空间滤波，然后将输出传递给池化层以降低数据维度，最后通过全连接层最终输出空间步态特征；
8、将从所述步态数据集中随机提取的序列轮廓输入所述时间循环网络中，所述时间循环网络通过卷积层提取时间特征，然后通过循环层建模数据的时间相关性，最后通过全连接层生成最终输出，并且所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征。
9、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述将从所述步态数据集中随机提取的序列轮廓输入所述空间卷积网络中，所述空间卷积网络使用卷积层进行空间滤波，然后将输出传递给池化层以降低数据维度，最后通过全连接层最终输出空间步态特征，具体包括：
10、所述空间卷积网络通过三个顺序卷积模块提取帧级特征，每个顺序卷积模块由两个空间卷积层组成，并在每个卷积输出中使用leaky_relu激活函数增强网络的非线性性；
11、所述空间卷积网络通过三个顺序卷积模块之后的基于时间维度的最大池化层，将所述帧级特征转换为序列级步幅特征；
12、所述空间卷积网络通过水平金字塔映射模块，将所述序列级步幅特征映射到多尺度的高维全局空间特征。
13、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述将从所述步态数据集中随机提取的序列轮廓输入所述时间循环网络中，所述时间循环网络通过卷积层提取时间特征，然后通过循环层建模数据的时间相关性，最后通过全连接层生成最终输出，并且所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征，具体包括：
14、时间循环网络通过与所述空间卷积网络共享的两个顺序卷积模块提取时间步帧级特征；
15、时间循环网络基于所述时间步帧级特征通过基于时间的注意力模块得到时间增强后帧级特征；
16、时间循环网络基于时间增强后帧级特征，通过长短期记忆网络来建模多个帧级运动特征的运动规律，得到最终全局时间步特征。
17、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述时间循环网络通过基于时间的注意力模块得到时间增强后帧级特征，具体包括：
18、通过最大池化层提取时间步帧级特征的主要信息；
19、将通过最大池化层处理过的时间步帧级特征通过门控循环单元模块传递，并且，每个周期单元根据相关步态序列的历史信息输出当前帧的注意力分数，并将当前帧的注意力分数作为当前帧的质量得分；
20、将每个帧的质量得分沿着时间轴进行归一化，形成帧级质量得分；
21、将所述帧级质量得分与所述时间步帧级特征相乘，得到时间增强后帧级特征。
22、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述时间循环网络基于时间增强后帧级特征，通过长短期记忆网络来建模多个帧级运动特征的运动规律，得到最终全局时间步特征，具体包括：
23、时间循环网络通过两层长短期记忆网络，移除所述时间增强后帧级特征中排序靠后的无效帧，得到最终全局时间步特征。
24、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述对所述空间步态特征和所述时间步态特征进行融合，得到行人重识别结果，具体包括：
25、通过时空特征融合模块对所述空间步态特征和所述时间步态特征进行融合，得到行人重识别结果。
26、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述通过时空特征融合模块对所述空间步态特征和所述时间步态特征进行融合，得到行人重本文档来自技高网...
【技术保护点】
1.一种基于步态分析的行人重识别方法，其特征在于，包括：
2.根据权利要求1所述的基于步态分析的行人重识别方法，其特征在于，所述将所述步态数据集输入预先构建的至少由空间卷积网络和时间循环网络组成的双向并行网络，分别提取空间步态特征和时间步态特征，其中，所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征，具体包括：
3.根据权利要求2所述的基于步态分析的行人重识别方法，其特征在于，所述将从所述步态数据集中随机提取的序列轮廓输入所述空间卷积网络中，所述空间卷积网络使用卷积层进行空间滤波，然后将输出传递给池化层以降低数据维度，最后通过全连接层最终输出空间步态特征，具体包括：
4.根据权利要求3所述的基于步态分析的行人重识别方法，其特征在于，所述将从所述步态数据集中随机提取的序列轮廓输入所述时间循环网络中，所述时间循环网络通过卷积层提取时间特征，然后通过循环层建模数据的时间相关性，最后通过全连接层生成最终
5.根据权利要求4所述的基于步态分析的行人重识别方法，其特征在于，所述时间循环网络通过基于时间的注意力模块得到时间增强后帧级特征，具体包括：
6.根据权利要求4所述的基于步态分析的行人重识别方法，其特征在于，所述时间循环网络基于时间增强后帧级特征，通过长短期记忆网络来建模多个帧级运动特征的运动规律，得到最终全局时间步特征，具体包括：
7.根据权利要求3所述的基于步态分析的行人重识别方法，其特征在于，所述对所述空间步态特征和所述时间步态特征进行融合，得到行人重识别结果，具体包括：
8.根据权利要求7所述的基于步态分析的行人重识别方法，其特征在于，所述通过时空特征融合模块对所述空间步态特征和所述时间步态特征进行融合，得到行人重识别结果，具体包括：
9.根据权利要求1所述的基于步态分析的行人重识别方法，其特征在于，所述基于步态分析的行人重识别方法，还包括：
...【技术特征摘要】
1.一种基于步态分析的行人重识别方法，其特征在于，包括：
2.根据权利要求1所述的基于步态分析的行人重识别方法，其特征在于，所述将所述步态数据集输入预先构建的至少由空间卷积网络和时间循环网络组成的双向并行网络，分别提取空间步态特征和时间步态特征，其中，所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征，具体包括：
3.根据权利要求2所述的基于步态分析的行人重识别方法，其特征在于，所述将从所述步态数据集中随机提取的序列轮廓输入所述空间卷积网络中，所述空间卷积网络使用卷积层进行空间滤波，然后将输出传递给池化层以降低数据维度，最后通过全连接层最终输出空间步态特征，具体包括：
4.根据权利要求3所述的基于步态分析的行人重识别方法，其特征在于，所述将从所述步态数据集中随机提取的序列轮廓输入所述时间循环网络中，所述时间循环网络通过卷积层提取时间特征，然后通过循环层建模数据的时间相关性，最后通过全连接层生成最终输出，并且所述时间循环网络...
【专利技术属性】
技术研发人员：单宇翔，高扬华，金泳，
申请(专利权)人：浙江中烟工业有限责任公司，
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。