一种基于步态图像的身份识别方法.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CN108520216A(43)申请公布日2018.09.11(21)申请号201810263768.6(22)申请日2018.03.28(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人刘欣刚余涛梅永勇王艺豪严敬仁代成汪卫彬(74)专利代理机构电子科技大学专利中心51203代理人周刘英(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于步态图像的身份识别方法(57)摘要本发明公开了一种基于步态图像的身份识别方法，包括训练步骤，对步态图像序列进行行人检测和图像预处理并给相应的步态图像赋予标签值，再对其使用由卷积受限玻尔兹曼机和全连接层组成的特征学习网络进行训练，生成具有身份识别的特征学习网络模型和特征中心值模型；识别步骤，对待识别的步态图像进行行人检测和图像预处理，由归一化的自相关函数计算步态周期性以获取一个周期的步态序列，通过深度学习网络和投票算法对行人进行身份进行识别。本发明以周期性的步态图像序列作为输入，保留了完整的步态信息；采用深度学习网络进行特征学习，获取更多具有区分度的步态特征以提高识别率；通过深度学习网络和投票算法并用增强了识别的准确率和鲁棒性。CN108520216ACN108520216A权利要求书1/2页1.一种基于步态图像的身份识别方法，其特征在于，包括下列步骤：S1：训练阶段，采用卷积受限玻尔兹曼机和全连接层组成特征学习网络，并通过对有标签值的人体步态序列使用特征学习网络进行训练，生成具有身份识别的特征学习网络模型供识别阶段使用；S2：识别阶段，对待识别的人体步态序列进行行人检测和图像预处理，利用S1中训练好的特征学习网络模型对待识别的步态序列进行身份判定，并根据预测的结果进行投票统计，将出现次数最多的识别结果作为待识别步态的最终识别结果。2.如权利要求1所述的方法，其特征在于，所述步骤S1包括如下步骤：S11：采集步态视频图像，得到步态视频图像序列；并对序列的各图像进行背景去除处理，得到二值化的前景图像序列；S12：对二值化的前景图像序列进行形态学处理，再根据行人检测算法检测出行人位置并截取出步态图像，对截取出的各步态图像进行尺寸归一化处理，得到标准步态图像序列；S13：通过使用归一化的自相关函数计算步态周期，取一个周期的步态图像序列用于训练特征学习网络；同时，对不同个体的步态图像赋予不同的标签值；S14：基于特征学习网络，对周期步态图像序列的各图像进行步态特征学习；S15：将特征学习网络预测的结果和真实的结果进行对比，计算误差，并据此误差利用方向传播算法优化所述特征学习网络的网络参数；S16：重复S14至S15，直至上述特征学习网络误差小于预设值或达到最大迭代次数，得到训练好的特征学习网络模型；S17：计算由卷积受限玻尔兹曼机产生的步态特征的中心值生成特征中心值模型供识别阶段使用，其中特征中心值的计算方式为：首先计算每个个体不同特征图的中心值：其中，分别为第k个个体的第i张特征图的中心值的横纵坐标值，分别表示第k个个体由卷积受限玻尔兹曼机生成的特征图中像素值为1的点的横纵坐标值，i表示第i张特征图，j表示在第i张特征图中第j个像素值为1的点，N为像素值为1的点的总数；然后计算所有特征中心值的中心值：其中，分别为第k个个体的特征中心值的横纵坐标，分别为第k个个体的第i张特征图的中心值的横纵坐标，M为第k个个体特征图的数目。3.如权利要求2所述的方法，其特征在于，所述识别阶段S2的步骤如下：S21：采集待识别个体的步态视频图像，得到待识别的步态视频图像序列；并对序列的各图像进行背景去除处理，得到待识别的二值化的前景图像序列；S22：对二值化的前景图像序列进行形态学处理，再根据行人检测算法检测出行人位置并截取出步态图像，对截取出的各步态图像进行尺寸归一化处理，得到待识别的标准步态图像序列；S23：通过使用归一化的自相关函数计算步态周期，取一个周期的步态图像序列，得到2CN108520216A权利要求书2/2页待识别的周期步态图像序列；S24：将待识别的周期步态图像序列输入训练好的特征学习网络模型进行特征学习并输出预测结果；S25：根据S24中的预测结果，计算各标签值出现的概率值并结合特征中心值的方法得出最终的识别结果：计算特征中心值模型中第k个个体出现的概率值pk；计算待识别个体test不同特征图的特征中心值模型中第k个个体特征图的中心值的距离ltest,k：其中d()为距离函数，为待识别个体的中心值坐标，为特征中心值模型中第k个个体的中心值的坐标；test