一种基于生成对抗图像补全网络的步态识别方法.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CN109753935A(43)申请公布日2019.05.14(21)申请号201910020243.4(22)申请日2019.01.09(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)发明人王浩夏利民郭炜婷(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于生成对抗图像补全网络的步态识别方法(57)摘要本发明公开一种基于生成对抗图像补全网络的步态识别方法，能解决中小面积人体遮挡的步态识别方法。包括以下步骤：首先为了解决行走过程中人体局部遮挡的问题，提出了一种基于WassersteinGAN的步态轮廓图生成网络,能够为图像中的遮挡区域生成上下文一致的补全图像；其次，为了减少噪声对特征提取的影响，采用具有鲁棒性的堆叠自动编码器进行特征提取；最后，为了提高分类的能力，采用稀疏编码的方法对步态特征进行表示与分类，使分类结果更加精确。CN109753935ACN109753935A权利要求书1/2页1.一种基于生成对抗图像补全网络的步态识别方法，其包含以下步骤：S1：将检测到的行人视频进行逐帧生成人体轮廓图，主要方法是利用背景差分法，通过视频中各帧与背景帧相比较，像素相差较大的部分即为人体轮廓，再对轮廓按人体最小矩形进行裁剪和归一化；S2：对于第一步获得的缺损轮廓图需要进行补全处理，首先通过非缺损的步态轮廓图训练生成对抗网络，使其能生成与真实步态轮廓一致的步态轮廓图。该过程先训练判别器，使其能区分真实数据与生成数据，再训练生成器，使其能生成与真实步态轮廓一致的步态轮廓图，不断重复此操作，直到网络收敛；S3：训练好生成网络，再通过缺损的步态轮廓图优化生成器中的隐变量z，使生成器能生成与遮挡轮廓图相近的完整轮廓图，最后使用该轮廓图替代缺损的轮廓图；S4：在得到步态轮廓后计算步态能量图，即一个周期内对所有的步态轮廓图进行叠加平均，其中ft(x,y)表示t时刻的轮廓图；S5：其次，为了减少背包与衣着的改变带来的影响，进一步计算步态熵图：EGEnI(x,y)＝-EGEI(x,y)log2EGEI(x,y)-(1-EGEI(x,y))log2(1-EGEI(x,y))S6：得到步态熵图后，采用堆叠自动编码器进行步态特征的提取。输入层的数目为5时实验效果最佳，每层隐藏节点个数分别为：1000、500、250、125、75，输出层大小和输入层相同。首先对堆叠自动编码器从底层到高层逐层训练结束后，然后将网络只保留编码部分对输入的数据进行特征提取；S7：得到步态特征后，采用稀疏表示对特征进行表示与分类，利用正交匹配追踪算法(OMP)计算稀疏系数，然后根据重构误差进行步态特征分类。2.根据权利要求1所述的基于生成对抗图像补全网络的步态识别方法，其特征在于：本发明中处理的对象可以为公共场合监视器采集的行人视频。将检测到的行人视频进行逐帧生成人体轮廓图，主要方法是利用背景差分法，通过视频中各帧与背景帧相比较，像素相差较大的部分即为人体轮廓。其中，若像素差值大于40，说明差值较大，就将前景图素点设为255白色，若不大于40，则设为0黑色。得到人体步态二值化轮廓，再对轮廓按人体最小矩形进行裁剪和归一化。轮廓图进行归一化，为了保持外接矩形的长宽比，将二值轮廓图像缩放到64*(96/高*宽)，然后以中心轴为对称轴，图像的宽度扩展为64，扩展部分的灰度都为0，最终将图像归一化为64*96像素的图像。3.根据权利要求1所述的基于生成对抗图像补全网络的步态识别方法，其特征在于：获得的轮廓图会存在缺损的情况，需要进行补全处理。首先通过非缺损的步态轮廓图训练生成对抗网络，使其能生成与真实步态轮廓一致的步态轮廓图。该过程先通过损失函数：训练判别器，使其能区分真实数据x与生成数据G(z)，D代表判别器，LD表示两部分之间的损失。再通过训练生成器，使其能生成与真实步态轮廓一致的步态轮廓图，LG来自判别器。不断重复此S2，直到网络收敛，即训练后判别器无法区别。2CN109753935A权利要求书2/2页4.根据权利要求1所述的基于生成对抗图像补全网络的步态识别方法，其特征在于：S3将铅锌矿吸水井泥水界面回波信号分为三种类别，分别对应三种不同的泥水界面情形，分别为单回波信号、双回波信号及三回波信号，能够更好的估计泥水界面位置和沉淀物组成成分。5.根据权利要求1所述的基于生成对抗图像补全网络的步态识别方法，其特征在于：训练好生成网络，再通过缺损的步态轮廓图优化生成器中的隐变量z，使生成器能生成与遮挡轮廓图相近的完整轮廓图，最后使用该轮廓图替代缺损的轮廓图；该部分的损失函数为：Lz←Ls+λrL