一种街区步态识别方法、装置、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115937966A(43)申请公布日2023.04.07(21)申请号202211201120.9G06V10/80(2022.01)(22)申请日2022.09.28G06V10/77(2022.01)G06V10/764(2022.01)(71)申请人国网北京市电力公司G06V10/62(2022.01)地址100031北京市西城区前门西大街41G06N3/08(2023.01)号G06N3/0464(2023.01)申请人国家电网有限公司G06N3/0455(2023.01)(72)发明人魏妍萍李南帆王军郝志刚司文文刘博文邓帆曾渊禹丽爽彭茂君范莹王波(74)专利代理机构北京中巡通大知识产权代理有限公司11703专利代理师郭瑶(51)Int.Cl.G06V40/20(2022.01)G06V10/82(2022.01)权利要求书1页说明书6页附图2页(54)发明名称一种街区步态识别方法、装置、设备及介质(57)摘要本发明属于步态识别技术领域，具体公开了一种街区步态识别方法、装置、设备及介质。包括以下步骤：获取若干步态轮廓，通过卷积神经网络从每个步态轮廓中独立提取帧级特征；通过集合池化将帧级特征聚合为单个集合级特征；将单个集合级特征构建输入基于Transformer的步态识别网络模型，得到第一步态数据集；获取标准步态数据集，通过标准步态数据集验证第一步态数据集，并输出通过验证的第一步态数据集。本发明通过采用集合池化将帧级特征聚合为单个集合等级特征，使原始轮廓转换为高级特征图，比步态模板更好地保留空间和时间信息，提高步态识别的精度。CN115937966ACN115937966A权利要求书1/1页1.一种街区步态识别方法，其特征在于，包括以下步骤：获取若干步态轮廓，通过卷积神经网络从每个步态轮廓中独立提取帧级特征；通过集合池化将帧级特征聚合为单个集合级特征；将单个集合级特征构建输入基于Transformer的步态识别网络模型，得到第一步态数据集；获取标准步态数据集，通过标准步态数据集验证第一步态数据集，并输出通过验证的第一步态数据集。2.根据权利要求1所述的一种街区步态识别方法，其特征在于，所述获取若干步态轮廓，通过卷积神经网络从每个步态轮廓中独立提取帧级特征步骤中，将同一个目标的若干个步态轮廓作为一组中的若干个步态轮廓，再从每组中提取帧级特征。3.根据权利要求1所述的一种街区步态识别方法，其特征在于，所述步态轮廓具有四维度张量，包括序列长度、图像通道维度、图像高度维度和图像宽度维度。4.根据权利要求1所述的一种街区步态识别方法，其特征在于，所述通过集合池化将帧级特征聚合为单个集合级特征的步骤中，具体包括以下步骤：将帧级特征作为输入，通过置换不变函数聚合帧级特征中的步态信息，生成单个集合级特征。5.根据权利要求1所述的一种街区步态识别方法，其特征在于，所述将单个集合级特征构建输入基于Transformer的步态识别网络模型，得到第一步态数据集的步骤中，具体包括以下步骤：将时间维度和集合级特征融合，构建步态识别神经网络模型，并在步态识别神经网络模型中引入编码器结构，将编码器结构的编码结果与线性分类层连接。6.根据权利要求5所述的一种街区步态识别方法，其特征在于，所述编码器结构包括堆叠六层的编码器和解码器组成。7.根据权利要求5所述的一种街区步态识别方法，其特征在于，所述每层编码器包括多头注意力层和前馈连接层。8.一种街区步态识别装置，其特征在于，包括：帧级特征提取模块：用于获取若干步态轮廓，通过卷积神经网络从每个步态轮廓中独立提取帧级特征；等级特征聚合模块：用于通过集合池化将帧级特征聚合为单个集合级特征；第一步态数据集输出模块：用于将单个集合级特征构建输入基于Transformer的步态识别网络模型，得到第一步态数据集；验证输出模块：用于获取标准步态数据集，通过标准步态数据集验证第一步态数据集，并输出通过验证的第一步态数据集。9.一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1‑7所述的一种街区步态识别方法。10.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现权利要求1‑7所述的一种街区步态识别方法。2CN115937966A说明书1/6页一种街区步态识别方法、装置、设备及介质技术领域[0001]本发明属于步态识别技术领域，具体涉及一种街区步态识别方法、装置、设备及介质。背景技术[0002]人脸识别应用于人脸可见范围较大的场景下，自由场景下往往无法捕捉到有效人脸，使用场景比较有限。步态识别是最有前途的基于视频生物识别技术之一