一种基于卷积神经网络多层次特征的步态识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114140873A(43)申请公布日2022.03.04(21)申请号202111317122.XG06N3/04(2006.01)(22)申请日2021.11.09G06N3/08(2006.01)(71)申请人武汉众智数字技术有限公司地址430074湖北省武汉市东湖新技术开发区珞喻路546号(72)发明人查杭杨波(74)专利代理机构北京汇泽知识产权代理有限公司11228代理人吴静(51)Int.Cl.G06V40/20(2022.01)G06V10/44(2022.01)G06V10/80(2022.01)G06V10/74(2022.01)G06V10/82(2022.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于卷积神经网络多层次特征的步态识别方法(57)摘要一种基于卷积神经网络多层次特征的步态识别方法，包括：读取输入的步态图像序列，并对图像序列进行预处理；通过不同卷积大小的特征提取分支对图像序列进行不同层次的特征提取；对提取的不同层次的特征进行不同方式的融合，得到最终用于步态识别的特征并进行存储；根据特征图及标签，利用损失函数计算损失，并采用反向传播算法更新卷积神经网络模型，直到满足预设条件时，生成最终识别模型；将待识别步态目标输入到最终识别模型，并将模型输出结果与已存储的特征值进行匹配，将与已存储的特征值中相似度最高的结果为识别结果。本发明对输入的步态轮廓图进行了在线的数据增强，增加了输入数据的多样性，提高了算法在实际情景下对行人轮廓的鲁棒性。CN114140873ACN114140873A权利要求书1/2页1.一种基于卷积神经网络多层次特征的步态识别方法，其特征在于，包括：S100.读取输入的步态图像序列，并对图像序列进行预处理；S200.通过不同卷积大小的特征提取分支对图像序列进行不同层次的特征提取；S300.对提取的不同层次的特征进行不同方式的融合，得到最终用于步态识别的特征并进行存储；S400.根据特征图及标签，利用损失函数计算损失，并采用反向传播算法更新卷积神经网络模型，直到满足预设条件时，生成最终识别模型；S500.将待识别步态目标输入到最终识别模型，并将模型输出结果与已存储的特征值进行匹配，将与已存储的特征值中相似度最高的结果为识别结果。2.如权利要求1所述的一种基于卷积神经网络多层次特征的步态识别方法，其特征在于，S100的具体方法为：下载CASIA‑B开源步态识别数据集，对于数据集中的步态序列长度进行判断，若序列长度大于150时，提取中间的30个图像；若序列长度小于30时，舍弃该序列；将输入步态序列按照高、宽方向的边缘及中心线原则裁剪为64*64大小。3.如权利要求1所述的一种基于卷积神经网络多层次特征的步态识别方法，其特征在于，S100的具体方法还包括：按一定比例ratio随机对图像进行形态学开运算或闭运算，其开闭运算的核大小设置为3，在训练时，比例ratio设置为0.2，在推理时，比例ratio设置为0；每次的输入序列数为P*K，其中，P为训练或推理时每个批次的行人数，K为选取的每个行人在不同视角、穿衣、背包或行走条件下的步态序列数。4.如权利要求1所述的一种基于卷积神经网络多层次特征的步态识别方法，其特征在于，S200的具体方法包括：采用1x1、3x3、5x5三种卷积分别对输入图像序列进行不同粒度的特征提取，三种卷积输入通道数均为1，输出通道数均为32，步长为2，输入长宽为64*64大小的n个长度为s＝30的图像序列经不同粒度特征提取；再经过Concat层将3种32*32大小的特征图在通道维度拼接，最后通过取到含有不同层次信息的特征图。5.如权利要求4所述的一种基于卷积神经网络多层次特征的步态识别方法，其特征在于，Block层由两层卷积大小为3、步长为1的卷积层和一个步长为2的最大池化构成，第一层卷积输入通道数为96,输出通道数为64,第二层卷积输入通道数为64，输出通道数为128，经Block层提取到含有不同层次信息的特征图输出为n*30*128*16*16。6.如权利要求1所述的一种基于卷积神经网络多层次特征的步态识别方法，其特征在于，S300的具体方法包括：采用Block_W层、Block_H层、HPM层、VPM层和Concat2层对S200提取的多层次特征在特征图的w和h方向进行融合；其中，Block_W层和Block_H层均由2层卷积大小为3、步长为1的卷积构成，第一层卷积输入、输出通道数分别为128和256，第二层卷积输入、输出通道数分别为256和256。7.如权利要求6所述的一种基于卷积神经网络多层次特征的步态识别方法，其特征在于，S300的具体方法还包括：Block_W层在w方向将