一种用于视频监控的步态抓拍识别方法及其应用.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CN113989919A(43)申请公布日2022.01.28(21)申请号202111134166.9G06N3/04(2006.01)(22)申请日2021.09.27G06N3/08(2006.01)G06N5/04(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(74)专利代理机构北京汇泽知识产权代理有限公司11228代理人郑飞(51)Int.Cl.G06V40/20(2022.01)G06V20/40(2022.01)G06V10/74(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书2页说明书5页附图2页(54)发明名称一种用于视频监控的步态抓拍识别方法及其应用(57)摘要本发明属于计算机视觉技术领域，具体提供一种用于视频监控的步态抓拍识别方法及其应用，方法包括：S01，行人检测，对每帧视频采用行人检测算法检出每个行人目标；S02，行人跟踪及过滤，对每帧视频中的每个行人目标进行跟踪及对质量较差的目标进行过滤，得到每个行人的跟踪序列；S03，行人分割，对每个行人的跟踪序列进行预处理后采用卷积神经网络进行分割；S04，步态特征提取，对分割后的步态序列进行预处理得到规则步态图像序列，并用卷积神经网络提取多维特征值；S05，步态识别，对特征值进行降维并计算比对相似度，相似度最高的即为识别结果。该方案在实际安防环境下保证了较好的步态抓拍质量，具有较高的步态识别精度及鲁棒性。CN113989919ACN113989919A权利要求书1/2页1.一种用于视频监控的步态抓拍识别方法，其特征在于，包括：S01，行人检测，对每帧视频采用行人检测算法检出每个行人目标；S02，行人跟踪及过滤，对每帧视频中的每个行人目标进行跟踪及对质量较差的目标进行过滤，得到每个行人的跟踪序列；S03，行人分割，对每个行人的跟踪序列进行预处理后采用卷积神经网络进行分割；S04，步态特征提取，对分割后的步态序列进行预处理得到规则步态图像序列，并用卷积神经网络提取多维特征值；S05，步态识别，对特征值进行降维并计算比对相似度，相似度最高的即为识别结果。2.根据权利要求1所述的用于视频监控的步态抓拍识别方法，其特征在于，所述S01中所用的行人检测方法为改进后基于深度学习卷积神经网络yolov5的目标检测算法，训练采用的数据为由coco公开数据集和不同监控场景下的行人图像共同构成，在训练及推理时除了行人目标外增加一类类似行人或不完整行人的目标，以对质量较差的行人目标及容易误检测的目标进行排除。3.根据权利要求1所述的用于视频监控的步态抓拍识别方法，其特征在于，所述S02中所用的行人跟踪算法为带静止目标检测以及长宽比阈值过滤的KCF在线跟踪算法，在跟踪过程若当前帧视频中当前目标与上一帧视频中该目标的相对距离小于设定移动阈值，或该目标检测框的长宽比在设定的形状阈值之外，则该目标被丢弃，继续进行下一目标的跟踪，直到满足跟踪完成条件最后抛出跟踪结果。4.根据权利要求3所述的用于视频监控的步态抓拍识别方法，其特征在于，所述KCF在线跟踪算法中相关滤波参数Delta＝0.3，距离阈值为0.85；若跟踪结果中输出的单个行人帧数小于10帧，则抛弃该结果；若跟踪结果中输出单个行人帧数大于150帧时，则取中间150帧行人跟踪结果输出。5.根据权利要求1所述的用于视频监控的步态抓拍识别方法，其特征在于，所述S03中用于分割的数据为不同场景、视角、天气、时间段、行人不同衣着下的行人监控图像数据，在数据的标注过程中，先用少量数据训练一个行人分割模型，再利用该模型进行推理并以少量人工干预半自动地对海量数据进行分割标注，所述少量数据小于海量数据。6.根据权利要求1所述的用于视频监控的步态抓拍识别方法，其特征在于，所述S04中所用的步态特征提取算法为基于卷积神经网络的GaitSet算法，训练时所用的步态序列包含不同行人性别、年龄共1000个人的步态，每个人包含多种不同场景、视角、天气、时间段、行人衣着下的5个步态序列。7.根据权利要求1所述的用于视频监控的步态抓拍识别方法，其特征在于，所述S05中的步态识别分为构建底库和比对识别两个过程；构建底库时，采用主成分分析法对提取到的特征值进行降维并保存于底库中；比对识别时，对提取到的特征值进行降维后与底库中的所有特征值进行1：N比对，采用余弦相似度计算距离，取前N个余弦相似度最高的结果即为识别结果，N为正整数。8.根据权利要求2、5或6任一项所述的用于视频监控的步态抓拍识别方法，其特征在于，采用的卷积神经网络模型推理均采用Tensort框架对推理