用于步态识别的模型训练方法、步态识别方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115205971A(43)申请公布日2022.10.18(21)申请号202210815966.5(22)申请日2022.07.12(71)申请人北京京东尚科信息技术有限公司地址100086北京市海淀区知春路76号8层(72)发明人刘鑫辰刘武梅涛(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201专利代理师孟洋(51)Int.Cl.G06V40/20(2022.01)G06V10/44(2022.01)G06V10/75(2022.01)G06V10/82(2022.01)G06N3/08(2006.01)权利要求书4页说明书22页附图6页(54)发明名称用于步态识别的模型训练方法、步态识别方法及装置(57)摘要本申请提出一种用于步态识别的模型训练方法、步态识别方法及装置，涉及深度学习、计算机视觉等人工智能技术领域，用于步态识别的模型训练方法包括：获取多个对象分别对应的训练样本；将每个训练样本中的各步态样本序列中多帧步态样本图像的二维步态轮廓信息和三维步态模型信息输入步态特征提取模型，以获取对应步态样本序列的预测三维步态特征；根据多个对象分别对应的训练样本中，属于同一对象的步态样本序列生成正样本序列对、属于不同对象的步态样本序列生成负样本序列对；根据正样本序列对与负样本序列对中的各步态样本序列的预测三维步态特征，确定第一损失值；根据第一损失值调整步态特征提取模型的模型参数。提高了步态识别的识别准确性。CN115205971ACN115205971A权利要求书1/4页1.一种用于步态识别的模型训练方法，其特征在于，包括：获取多个对象分别对应的训练样本，其中，每个所述训练样本包括多个步态样本序列，以及包括对应步态样本序列中多帧步态样本图像的二维步态轮廓信息和三维步态模型信息；将各所述步态样本序列中多帧步态样本图像的二维步态轮廓信息和三维步态模型信息输入步态特征提取模型，以获取对应步态样本序列的预测三维步态特征；根据所述多个对象分别对应的训练样本中，属于同一对象的所述步态样本序列生成正样本序列对、属于不同对象的所述步态样本序列生成负样本序列对；根据所述正样本序列对与所述负样本序列对中的各所述步态样本序列的预测三维步态特征，确定第一损失值；根据所述第一损失值调整所述步态特征提取模型的模型参数。2.根据权利要求1所述的方法，其特征在于，所述步态特征提取模型包括轮廓特征提取模块、空间转换模块，与所述轮廓特征提取模块及所述空间转换模块分别连接的特征对齐模块、与所述特征对齐模块连接的池化模块；所述将各所述步态样本序列中多帧步态样本图像的二维步态轮廓信息和三维步态模型信息输入步态特征提取模型，以获取对应步态样本序列的预测三维步态特征，包括：对于每个所述步态样本序列，将其中各所述步态样本图像的二维步态轮廓信息输入所述轮廓特征提取模块，以基于各所述二维步态轮廓信息进行轮廓特征提取，得到各所述步态样本图像分别对应的二维轮廓特征；将其中各所述步态样本图像的三维步态模型信息输入所述空间转换模块，以基于各所述三维步态模型信息进行隐变换估计，得到各所述步态样本图像分别对应的隐变换矩阵；将各所述步态样本图像分别对应的所述二维轮廓特征与所述隐变换矩阵输入所述特征对齐模块，以利用所述隐变换矩阵将对应的所述二维轮廓特征对齐至三维空间，得到对应的步态样本图像的对齐后步态特征；将各所述步态样本图像的对齐后步态特征输入所述池化模块，以对各所述对齐后步态特征进行池化，得到所述步态样本序列的预测三维步态特征。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一损失值调整所述步态特征提取模型的模型参数，包括：将各所述训练样本包括的多个步态样本序列中，各所述步态样本图像分别对应的隐变换矩阵，代入正则化损失函数，以确定第二损失值；根据所述第一损失值与所述第二损失值，确定目标损失值；根据所述目标损失值调整所述步态特征提取模型的模型参数，以使所述目标损失值最小化。4.根据权利要求3所述的方法，其特征在于，各所述步态样本序列以所属的真实对象进行标注；所述根据所述第一损失值与所述第二损失值，确定目标损失值，包括：将各所述步态样本序列的预测三维步态特征输入分类模型，以利用所述分类模型预测各所述步态样本序列的所属对象，得到各所述步态样本序列分别属于各所述对象的置信度；根据各所述步态样本序列分别属于各所述对象的置信度与所属的真实对象，确定第三2CN115205971A权利要求书2/4页损失值；根据所述第一损失值、所述第二损失值与所述第三损失值确定所述目标损失值。5.一种步态识别方法，其特征在于，包括：获取至少一个步态查询序列以及多个步态匹配序列；所述步态查询序列包括多帧步态查询图像；所述步态匹配序列包括多帧