【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体地，涉及一种基于点云图卷积的步态身份识别方法和系统。
技术介绍
1、随着深度学习的迅速进步，生物特征识别技术已经广泛应用于各个领域。人脸识别等生物识别技术简化了身份验证过程，催生了人脸解锁、刷脸支付等应用。然而，这些生物特征识别方法通常需要待测对象的配合，限制了它们在一些场景下的应用。步态是一种人在行走中的姿态特征，易于捕捉且难以伪造。基于步态识别的生物识别方法具有非接触、远距离、无需配合的特点，是唯一能够在无感知非受控情况下远程进行身份识别的生物识别方法。因此，步态识别具有广泛的应用前景。
2、点云数据(point cloud data)是一种以三维坐标形式表示的数据结构，通常用于表示物体表面的形状、结构和纹理等信息。点云数据是由大量的点组成的，每个点都具有x、y、z三个坐标值，以及可能的其他属性值，如颜色、反射强度等。点云数据可以由各种不同的传感器和测量技术获得，如激光扫描仪、深度相机、雷达等。这些传感器可以捕捉到物体表面的详细信息，并以点云的形式表示出来。点云数据在许多领域都有广泛的应用，如建筑、考古、地质、机器人、自动驾驶等。例如，在建筑领域，可以使用点云数据来获取建筑物的详细形状和结构信息，进行建筑物的三维重建、变形监测和数字孪生等应用。在机器人领域，点云数据可以用于机器人的环境感知、路径规划和避障等功能。
3、动态视觉传感器是一种新型的视觉传感器，类似于视网膜的工作方式。每个像素点独立响应亮度变化，通过产生异步事件进行编码，这使得它能够消除传统摄像机输出的连续重复
4、时空图卷积网络(st-gcn)是在行为识别任务中提出的一种网络结构，用于处理骨骼序列并提取特征。相对于传统的图卷积网络，时空图卷积网络针对人体骨骼序列进行了专门的卷积操作设计，并借鉴残差网络的概念构建了其网络结构。这种网络对于人体动作特征具有极高的建模能力，能够有效地提取和识别各种人体行为特征。而在时空图卷积的基础上，本专利技术使用了事件流时空图卷积，用于不同时间上图节点数目不一的图结构的卷积操作以进行不同时空维度的特征提取。
5、有关于基于点云图卷积的步态识别方法，检索中只发现以下相关专利。公开号专利号cn114973422a，授权公告日2022.07.19，标题为《一种基于三维人体建模点云特征编码的步态识别方法》，该方法从步态视频中获取三维点云序列数据，提出了一种基于点云特征编码的步态识别模型。与该方法相比，本专利技术使用的点云数据是事件相机捕捉的人体步态点云信息，是基于画面像素亮度变化产生的点云数据，而不是从传统视频中提取骨骼获得的骨骼点云。
6、公开号专利号cn116206359a，授权公告日2022.12.27，标题为《基于毫米波雷达与动态采样神经网络的人体步态识别方法》，该方法设计了一种新颖的雷达点云动态信息描述方法，并且提出了一种新颖高效的动态点云帧采样方法，能够在对识别性能影响不大的前提下，显著地减小计算量。与该方法相比，本专利技术使用了图卷积方法来进行特征提取，我们使用事件流时空图卷积网络逐步分空间和时间提取轮廓特征和步态特征，过程中使用高斯图卷积方法来达到更好的步态识别效果。
7、公开号专利号cn116486488a，授权公告日2023.05.26，标题为《一种基于超图模型的事件相机步态识别方法》，该方法提出了一个融合超图卷积、注意力机制和残差模块的超图神经网络模型，最终生成运动目标的类别标签。与该方法相比，我们的方法使用的事件流时空图卷积对于点云的时空维度进行分布的特征提取，使得空间特征和时序特征都能有精确的提取效果。
8、公开号专利号为cn114783050a，授权公告日2022.03.21，标题为《基于动态视觉传感器的步态身份识别方法及系统》，该方法提出了一个使用动态视觉传感器采集的数据提出骨骼后使用骨骼进行时空图卷积操作来进行步态识别特征提取的方法。与该方法相比，本专利技术使用的方法是将点云按照时序进行切分，对于每一段进行轮廓特征提取，进行事件流时空图卷积操作。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于点云图卷积的步态身份识别方法和系统。
2、根据本专利技术提供的基于点云图卷积的步态身份识别方法，包括：
3、步骤s1：点云数据采集；
4、步骤s2：进行点云预处理，包括统计离群点、降采样和裁切；
5、步骤s3：构建基于时间帧的步态序列图结构；
6、步骤s4：进行基于事件流时空图卷积网络的步态识别模型训练；
7、步骤s5：使用测试集对于训练后的事件流时空图卷积网络进行测试，模型输入为测试集的数据，模型输出为判断的身份编号。
8、优选地，所述步骤s1包括：在光线充足的房间内，安排多个位行为能力正常的自然人，按照规划的路线稳定地走过事件相机摄像头的正面，角度以摄像头的正方向为0度，成正负90度，即向左或者向右步行，每个人物对象采集预设条数的行走过程，选取其中具有高事件信息密度的点云数据制作成数据集。
9、优选地，所述步骤s2包括：
10、步骤s2.1：通过对于时间维度的尺度进行放缩来重构维度尺度；
11、步骤s2.2：通过计算每一个点和距离较近个数的点的平均距离，以该平均距离在整体平均距离分布的置信区间之外的点为离群点，通过去除离群点来进行降噪；
12、步骤s2.3：通过在空间中构建包含相同数量但不同大小的正方体体素块，并将体素块中的点计算中心点，使用中心点替代体素内的点，使用体素降采样的方式进行降采样操作；
13、步骤s2.4：通过计算每一个时间单位内点云中点的数量来计算事件信息密度，最高密度值为edmax，裁切整个点云中时间单位满足超过0.5*edmax的连续时间单位，通过裁切高事件信息密度的事件信息段来提取步态动作段。
14、优选地，所述步骤s3包括：
15、步骤s3.1：根据不同的时间段来划分事件信息流，时间段的划分是按照同样的时间单位长度从预处理后的点云中进行按照时间排序的分段，对于划分的不同的事件信息段，段内根据事件信息的距离之间构造边形成子图，段外按照时间序列排列构成图；
16、步骤s3.2：将事件流点云数据根据时间段根据设定好的图帧率划分为时间帧，之后根据不同的时间窗口进行帧图的构建，仅在帧图内部进行边的构造；
17、步骤s3.3：根据事件信息点之间的距离小于阈值的构造成边，并且限定每个事件信息点可构造边的数量不超过阈值，过量的边将从远距离到近距离去除，帧图内部的事件点云构造成连接的图，帧图整体以时间序列排布形成整体的图结构。
18、优选地，所述步本文档来自技高网...
【技术保护点】
1.一种基于点云图卷积的步态身份识别方法，其特征在于，包括：
2.根据权利要求1所述的基于点云图卷积的步态身份识别方法，其特征在于，所述步骤S1包括：在光线充足的房间内，安排多个位行为能力正常的自然人，按照规划的路线稳定地走过事件相机摄像头的正面，角度以摄像头的正方向为0度，成正负90度，即向左或者向右步行，每个人物对象采集预设条数的行走过程，选取其中具有高事件信息密度的点云数据制作成数据集。
3.根据权利要求1所述的基于点云图卷积的步态身份识别方法，其特征在于，所述步骤S2包括：
4.根据权利要求1所述的基于点云图卷积的步态身份识别方法，其特征在于，所述步骤S3包括：
5.根据权利要求1所述的基于点云图卷积的步态身份识别方法，其特征在于，所述步骤S4包括：
6.一种基于点云图卷积的步态身份识别系统，其特征在于，包括：
7.根据权利要求6所述的基于点云图卷积的步态身份识别系统，其特征在于，所述模块M1包括：在光线充足的房间内，安排多个位行为能力正常的自然人，按照规划的路线稳定地走过事件相机摄像头的正面，角度以
8.根据权利要求6所述的基于点云图卷积的步态身份识别系统，其特征在于，所述模块M2包括：
9.根据权利要求6所述的基于点云图卷积的步态身份识别系统，其特征在于，所述模块M3包括：
10.根据权利要求6所述的基于点云图卷积的步态身份识别系统，其特征在于，所述模块M4包括：
...【技术特征摘要】
1.一种基于点云图卷积的步态身份识别方法，其特征在于，包括：
2.根据权利要求1所述的基于点云图卷积的步态身份识别方法，其特征在于，所述步骤s1包括：在光线充足的房间内，安排多个位行为能力正常的自然人，按照规划的路线稳定地走过事件相机摄像头的正面，角度以摄像头的正方向为0度，成正负90度，即向左或者向右步行，每个人物对象采集预设条数的行走过程，选取其中具有高事件信息密度的点云数据制作成数据集。
3.根据权利要求1所述的基于点云图卷积的步态身份识别方法，其特征在于，所述步骤s2包括：
4.根据权利要求1所述的基于点云图卷积的步态身份识别方法，其特征在于，所述步骤s3包括：
5.根据权利要求1所述的基于点云图卷积的步态身份识别方法，其特征在于，所述步骤s4包括：
...
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。