一种基于姿态指导的步态识别方法.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CN112989889A(43)申请公布日2021.06.18(21)申请号201911302215.8(22)申请日2019.12.17(71)申请人中南大学地址410083湖南省长沙市岳麓区麓山南路932号(72)发明人唐琎赖普坚肖晓明高琰肖志红李丰军(74)专利代理机构长沙市融智专利事务所(普通合伙)43114代理人姚瑶(51)Int.Cl.G06K9/00(2006.01)G06K9/32(2006.01)G06K9/62(2006.01)权利要求书3页说明书11页附图5页(54)发明名称一种基于姿态指导的步态识别方法(57)摘要本发明公开了一种基于姿态指导的步态识别方法，其包括：步骤1：进行步态数据的采集以及预处理；步骤2：提取静态外观信息和姿态信息进行模型训练；步骤3：利用训练好的模型进行身份的识别与认证。其中，本发明结合人体轮廓和姿态信息进行步态识别，有效地提取骨架模型中的姿态信息，实现静态外观信息和姿态信息的融合，提高了识别结果的可靠性。CN112989889ACN112989889A权利要求书1/3页1.一种基于姿态指导的步态识别方法，其特征在于，包括如下步骤：S1：采集样本个体的的行走视频作为步态数据并进行预处理；其中，将所述行走视频拆分为连续的步态图片序列并进行预处理得到人体姿态序列图和行人轮廓图；S2：分别将每个样本个体对应的步态周期内的行人轮廓图输入R(2+1)D结构的静态信息网络得到静态特征以及基于时序堆叠网络由步态周期内的人体姿态序列图得到姿态特征；其中，所述步态周期为从任意某一侧足的足跟落地开始，到下一次该一侧足跟落地结束之间的连续过程；每个行走视频的每个步态周期分别对应一个静态特征和姿态特征；S3：基于紧凑性双线性融合方法将同一样本个体的静态特征和姿态特征进行融合得到融合特征；S4：基于样本个体的融合特征进行网络训练得到步态识别模型；每次训练过程为：随机选取的两个步态图片序列，并基于两组步态图片序列的融合特征进行网络训练，其中，根据所述两个步态图片序列是否为同一行人进行区别标记；S5：将待识别个体的行走视频进行所述预处理得到步态图片序列并输入至步态识别模型，再基于待识别个体与数据库中行人的特征远近关系识别数据库中是否存在所述待识别个体，所述数据库中预先存储了行人的行走视频。2.根据权利要求1所述的方法，其特征在于：步骤S3中融合特征的融合公式如下：式中，FC为融合特征，FFT(.)表示快速傅里叶变换，表示降维函数，FA表示静态特征，FD表示姿态特征。3.根据权利要求1所述的方法，其特征在于：步骤S1中得到人体姿态序列图和行人轮廓图的过程是对步态图片序列中的行人进行目标跟踪再进行姿态和轮廓提取，其中，目标跟踪如下：(1)(2)ci，j＝λd(i，j)+(1-λ)d(i，j)式中，ci，j表示第i个追踪器对应的运动目标与跟踪结果的线性加权距离，若线性加权距离小于预设阈值，则表示跟踪结果与运动目标是相匹配，否则，不匹配；λ表示权重系数，d(1)(i，j)表示运动目标在运动状态的卡尔曼预测结果与跟踪结果之间的马氏距离，d(2)(i，j)表示运动目标最近N个成功关联的特征向量集与跟踪结果的特征向量rj之间的最小余弦距离；111111其中，dj表示跟踪结果所在的矩形边框的状态(u，v，γ，h)，(u，v)是跟踪结果所在的矩形边框的中心坐标，γ1是跟踪结果所在的矩形边框的长宽比，h1表示跟踪结果所在的矩形边框的高度，yi表示第i个追踪器对应运动目标的预测结果所在矩形边框的状态(u，v，γ，h)，(u，v)是运动目标的预测结果所在矩形边框的中心坐标，γ是运动目标的预测结果所在矩形边框的长宽比，h是运动目标的预测结果所在矩形边框的高度；Si表示dj与yi之间2CN112989889A权利要求书2/3页的协方差矩阵，Ri为运动目标的数据存储空间。4.根据权利要求1所述的方法，其特征在于：步骤S1中对步态图片序列并进行预处理得到人体姿态序列图和行人轮廓图的过程如下：首先，利用目标检测器识别步态图片序列中行人所在的矩形边框；其次，利用跟踪器对矩形边框中的行人进行跟踪并进行行人标记；最后，根据行人标记选定识别目标，并将对应的矩形边框内的图片区域分别输入至PGN人体语义分割网络和AlphaPose人体姿态估计网络得到行人轮廓图、人体姿态序列图。5.根据权利要求1所述的方法，其特征在于：步骤S2之前还包括对行人轮廓图进行归一化处理，过程如下：首先，计算行人轮廓图的质心坐标；式中，xc，yc分别代表质心坐标横轴和纵轴上的值，xi代表第i个白色像素点的坐标值，yj代表第j个白色像素点的坐标值，n代表白点个数，白点表示人体区域；然后，基于质心坐标计算人体轮