一种基于卷积神经网络的步态周期检测方法.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CN109766838A(43)申请公布日2019.05.17(21)申请号201910026947.2(22)申请日2019.01.11(71)申请人哈尔滨工程大学地址150001黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室(72)发明人王科俊丁欣楠李伊龙周石冰徐怡博(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)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的步态周期检测方法(57)摘要本发明提供一种基于卷积神经网络的步态周期检测方法，对步态视频进行预处理，包括视频解码，行人轮廓提取和质心归一化的图像预处理操作；训练用于提取步态周期性特征的卷积神经网络；将待测的步态视频帧序列送入卷积神经网络中，输出波形经过滤波后，通过确定相邻的波峰与波谷的位置即得到一个步态周期。该方法对角度变化、服饰和携带物变化都有很强的鲁棒性，解决了在正面和背面视角下难以检测步态周期的问题，本发明方法对提高复杂环境中步态识别精度有重要意义，可用于步态识别中的前端，适用于安全监控、人机交互、医疗诊断和门禁系统等中的身份识别中。CN109766838ACN109766838A权利要求书1/2页1.一种基于卷积神经网络的步态周期检测方法，其特征在于，具体的实现步骤为：步骤1.对步态视频进行预处理，包括视频解码，行人轮廓提取和质心归一化的图像预处理操作；步骤2.训练用于提取步态周期性特征的卷积神经网络；步骤3.将待测的步态视频帧序列送入卷积神经网络中，输出波形经过滤波后，通过确定相邻的波峰与波谷的位置即得到一个步态周期。2.根据权利要求1所述的一种基于卷积神经网络的步态周期检测方法，其特征在于，步骤2具体为：步骤2.1.用数值量化表示训练集中每一视频帧在一个步态周期中的位置，并标记为其标签，标签值的计算公式为其中Li步态视频中的第i帧的标签值，N表示第i帧所在的步态周期共包括N帧，n表示第i帧为所在的步态周期中第n帧；步骤2.2.将标注好的视频帧送入卷积神经网络，得到输出值；步骤2.3.计算输出值与标签之间的误差，通过误差反向传播和随机梯度下降的多次迭代训练网络，经过多次迭代后训练直到误差不再下降为止，误差的计算公式为其中m为输入网络的批次大小，即每批含有m张图像，为对应视频帧标签的神经网络的估计；步骤2.4.保存并复制训练完成的卷积神经网络。3.根据权利要求1所述的一种基于卷积神经网络的步态周期检测方法，其特征在于：步骤2所述的卷积神经网络结构包含多层卷积层以及连接最后一层卷积层的至少一层全连接层，全连接层的最后一层连接输出层为单神经元。4.根据权利要求1所述的一种基于卷积神经网络的步态周期检测方法，其特征在于：步骤1具体包括：步骤1.1.对视频序列进行分帧处理，经过分帧之后的序列为按时间顺序排列的图像序列；步骤1.2.将包含行人的图像序列和背景序列进行灰度变换，采用中值法进行估计整个序列的背景，并进行二值化得到步态轮廓图像，Dk(x,y)＝|Ik(x,y)-Mk(x,y)|其中Ik(x,y)为视频序列第k帧的像素(x,y)处的灰度值，Mk(x,y)为此处的背景灰度值，Dk(x,y)为背景差图像，T为选定的二值化阈值；步骤1.3.轮廓归一化，将所有的轮廓进行统一的缩放以一致的高度，行人轮廓归一化2CN109766838A权利要求书2/2页的输入为每个视频帧中与行人轮廓相切的长方形中的内容；对于训练集中所有的截取轮廓的图像，分别遍历其所有的图像高度，作为与标准高度做比；某一视角下的标准高度为H，视角下共有K帧图像，按照时间顺序的每帧图像的高度为hk,k＝1,2,...,K，则每帧图像的放大倍数为ak＝hk/H，对该视角下得到每帧图像，分别应用其对应的放大倍数ak，应用双线性插值算法，fa＝f(x,y)+(f(x+1,y)-f(x,y))×pfb＝f(x,y+1)+(f(x+1,y+1)-f(x,y+1))×p式中，f(x,y)为插值前坐标(x,y)处的灰度值，p和q是权值；进行第二次线性插值，计算(x,y)处的插值结果为g(x,y)＝fa+(fb-fa)×q＝(1-p)(1-q)f(x,y)+p(1-p)f(x+1,y)+q(1-p)f(x,y+1)+pqf(x+1,y+1)其中g(x,y)为插值后坐标(x,y)处的灰度值。3CN109766838A说明书1/5页一种基于卷积神经网络的步态周期检测方法技术领域[0001]本发明属于计算机视觉领域，具体涉及一种基于卷积神经网络的步态周期检测方法。背景技术[0002]步态识别与生物特征识别方式相比可以在测试者不知情的情