一种基于正面视角步态数据的个体身份识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115188065A(43)申请公布日2022.10.14(21)申请号202110587742.9G06N3/08(2006.01)(22)申请日2021.05.27(71)申请人广东工业大学地址510000广东省广州市越秀区东风东路729号(72)发明人邓木清胡文举(74)专利代理机构广州蓝晟专利代理事务所(普通合伙)44452专利代理师欧阳凯梁悄(51)Int.Cl.G06V40/20(2022.01)G06V10/25(2022.01)G06V10/44(2022.01)G06V10/82(2022.01)G06V10/764(2022.01)权利要求书2页说明书5页附图4页(54)发明名称一种基于正面视角步态数据的个体身份识别方法(57)摘要本发明公开了一种基于正面视角步态数据的个体身份识别方法,包括以下步骤：采集人体正面视角轮廓序列；提取正面视角下人体下肢轮廓面积类特征、长度类特征及角度类三类时变数据及曲线；分别构建径向基函数神经网络提取三类时变步态数据下的步态动力学特征，并使用深度迁移学习机制进行二次特征提取；利用不同个体之间在步态动力学上的差异，计算二次特征提取后三类特征的特征融合加权权值；将加权融合后的特征输入到全连接网络进行训练和分类。本发明采用步态动力学特征与深度迁移学习机制的结合，对正面视角下步态数据进行迁移特征学习与智能融合，简单方便、容易操作，能够实现正面视角下识别率的有效提升。CN115188065ACN115188065A权利要求书1/2页1.一种基于正面视角步态数据的个体身份识别方法，其特征在于：包括如下步骤：步骤一、获取人体行走步态轮廓图，并提取正面视角下人体下肢轮廓面积类特征、长度类特征及角度类三类时变数据及曲线；步骤二、构建径向基函数神经网络，对三类步态时变数据内在的非线性步态动力学信息进行神经网络的逼近和辨识，以常值神经网络权值矩阵进行存储；步骤三、将三类步态动力学特征分别作为预训练深度学习神经网络模型的输入，进行迁移特征学习，完成二次特征提取，将三种单网络提取的特征进行自适应加权融合拼接；步骤四：构建全连接网络根据训练模式与测试模式之间关于非线性动力学特征间的差异，把测试模式准确分类识别出来，实现正面视角下的步态识别。2.根据权利要求1所述的一种基于正面视角步态数据的个体身份识别方法，其特征在于：步骤一中，正面视角下人体轮廓时变数据提取方法为：将正面视角下的行走图像序列进行背景减除以及形态学处理，获得人体行走的二值步态轮廓图；将人体二值轮廓从上而下根据人体轮廓高度分为三等分等高度子区域，并选择最底下区域为兴趣区域；提取每一帧兴趣区域的轮廓面积类特征、长度类特征及角度类三类时变数据及曲线；提取每一帧的下肢双腿轮廓面积比值下肢双腿轮廓面积差值下肢双腿对地三角形面积组成步态面积数据；提取每一帧的下肢双腿轮廓垂直到地长度比值下肢双腿下极端点连线长度值下肢双腿轮廓下极端点到上界线中点距离长度差值组成步态长度数据；提取每一帧下肢双腿下极端点连线对地夹角下肢左腿下极端点与上界线中点连线的垂直夹角下肢右腿下极端点与上界线中点连线的垂直夹角组成步态角度数据；得到正面视角下人体下肢轮廓面积类特征、长度类特征及角度类三类时变数据的周期或类周期变化曲线。3.根据权利要求1所述的一种基于正面视角步态数据的个体身份识别方法，其特征在于：在步骤二中，对三类步态时变数据内在的非线性步态动力学信息进行神经网络辨识，具体方法为：对前述每一类时变数据分别建立其非线性动力学模型Tn其中，x＝[x1,···,xn]∈R是提取到的三个面积/长度/角度特征，p是系统常参数T值；F(x；p)＝[f1(x；p),···,fn(x；p)]代表内在的非线性步态动力学项，v(x；p)＝[v1T(x；p),…,vn(x；p)]是引入的建模不确定项；将建模不确定项v(x；p)和步态非线性动力学项F(x；p)合并为一项：并定义为总的步态非线性动力学项；构建确定学习机制下的RBF神经网络用于辨识非线性步态动力学选取收敛的部分权值取数值平均，获取相应的神经网络常值的权值以常值神经网络权值矩阵进行存储。4.根据权利要求1所述的一种基于正面视角步态数据的个体身份识别方法，其特征在2CN115188065A权利要求书2/2页于：在步骤三中，迁移特征学习方法具体为：将三类步态动力学特征分别输入到预训练深度学习神经网络模型Inception‑v3,Resnet152和Inception‑Resnet‑v2中的一种或以上，并在其单独或组合中进行迁移特征学习，完成二次特征提取；在模式训练环节，将测试模式对应数据与所得二次数据特征进行比较，产生一组L1范数形式的识别误差，将其作为衡量训练步态模式中各项