基于全局和局部特征融合的步态识别方法.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CN109446991A(43)申请公布日2019.03.08(21)申请号201811277328.2(22)申请日2018.10.30(71)申请人北京交通大学地址100044北京市海淀区西直门外上园村3号(72)发明人张顺利林贝贝(74)专利代理机构北京市商泰律师事务所11255代理人黄晓军(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书1页说明书6页附图2页(54)发明名称基于全局和局部特征融合的步态识别方法(57)摘要本发明提供了一种基于全局和局部特征融合的步态识别方法。该方法包括：通过三维卷积神经网络从标准化轮廓图中训练出全局步态特征；通过三维卷积神经网络从局部轮廓图中训练出局部步态特征；通过串行组合的方式对所述全局步态特征和局部步态特征进行串行融合，获得组合步态特征，利用所述组合步态特征进行步态识别。本发明利用全局和局部的特征融合派生出最佳特征子集，进行步态特征提取模型的建立，统一解决现有的步态识别方法中存在的特征集不够有价值的问题，从而可以获得较好的步态识别结果。CN109446991ACN109446991A权利要求书1/1页1.一种基于全局和局部特征融合的步态识别方法，其特征在于，包括：通过三维卷积神经网络从待识别的步态视频的标准化轮廓图中训练出全局步态特征；通过三维卷积神经网络从局部轮廓图中训练出局部步态特征；通过串行组合的方式对所述全局步态特征和局部步态特征进行串行融合，获得组合步态特征，利用所述组合步态特征对所述待识别的步态视频进行步态识别。2.根据权利要求1所述的方法，其特征在于，所述的通过三维卷积神经网络从待识别的步态视频的标准化轮廓图中训练出全局步态特征，包括：将由待识别的步态视频的每一帧减去背景图片得到的二值化图片作为原始轮廓图，对所述原始轮廓图进行标准化处理，得到标准化轮廓图；将图像样本归一化至112*122大小，序列输入长度为16，通过迭代优化策略，利用图像样本及图像样本标签预训练三维卷积网络，得到用于全局步态特征提取的三维卷积神经网络模型，将所述标准化轮廓图输入到所述用于全局步态特征提取的三维卷积神经网络模型中，通过三维卷积神经网络模型训练出全局步态特征。3.根据权利要求2所述的方法，其特征在于，所述的通过三维卷积神经网络从局部轮廓图中训练出局部步态特征，包括：计算所述标准化轮廓图中运动目标的中心,将所述运动目标的中心以下的部分作为人体的局部轮廓图；将图像样本归一化至56*122大小，序列输入长度为16，通过迭代优化策略，利用图像样本及图像样本标签预训练三维卷积网络，得到用于局部步态特征提取的三维卷积神经网络模型，将所述标准化轮廓图输入到所述用于局部步态特征提取的三维卷积神经网络模型中，通过三维卷积神经网络模型训练出局部步态特征。4.根据权利要求1、2或3所述的方法，其特征在于，所述的通过串行组合的方式对所述全局步态特征和局部步态特征进行串行融合，获得组合步态特征，包括：设定全局步态特征V1的权重为ε，局部步态特征V2的权重为1-ε；通过串行组合的方式，对所述全局步态特征V1和局部步态特征V2进行串行融合，获得组合步态特征V：5.根据权利要求4所述的方法，其特征在于，所述的利用所述组合步态特征对所述待识别的步态视频进行步态识别，包括：采用主成分分析PCA方法对融合后的组合特征进行降维处理，从降维后的组合特征中提取出待识别的步态视频的鲁棒性特征，将提取出来的鲁棒性特征依次与训练集中已经给定具体步态类别的特征进行距离测算，选出待分类特征与训练集特征中距离最小的特征对应的步态类别，将该步态特征作为所述待识别的步态视频的步态类别。2CN109446991A说明书1/6页基于全局和局部特征融合的步态识别方法技术领域[0001]本发明涉及步态识别技术领域，尤其涉及一种基于全局和局部特征融合的步态识别方法。背景技术[0002]步态识别可以用于预防犯罪、交通监测等诸多领域，并且步态识别可以在远距离和不受控制的场景下更好地捕捉到生物的特征，以便帮助完成识别工作，步态识别具有广泛的应用前景。[0003]一个典型的步态识别系统主要包括两个部分，即步态特征建模和基于步态特征的识别分类。在进行步态特征建模时，首先，需要收集大量的步态数据，以步态数据为基础构建步态数据库，通过步态数据库可以训练出一个步态特征提取模型。上述步态特征提取模型可以从输入的人体的步态中提取出易于识别分类的特征；然后，基于步态特征提取模型的提取结果，利用相应的识别分类模型，就可以得到步态的识别分类的结果。[0004]步态特征提取模型是步态识别的核心，直接关系到步态识别分类的效果。目前，