[发明专利]一种基于生成对抗图像补全网络的步态识别方法

说明书

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Wasserstein GAN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。

技术领域

本发明属于图像识别领域，主要解决行走过程中人体部分遮挡对步态识别带来的影响。

背景技术

步态是一种具有吸引力的生物特征，具有远距离识别性、非侵犯性、难隐藏或伪装等优点；因此，步态识别在门禁系统、行人监控和公共安防等领域有广泛的应用前景，成为了研究人员所关注的热门研究方向。目前的识别方法主要通过提取一个周期内的行人轮廓图合成步态能量图，再通过特征提取算法在能量图上提取行人的特征，最后采用分类算法进行特征的分类。但在该研究过程中仍存在很多难点，例如视角、穿着的改变以及人体遮挡等因素都会对提取的步态轮廓图造成影响，从而影响识别准确度。因此获得完整的步态轮廓图，是实现步态准确分类的可靠保障。

本发明主要解决行走过程中的人体遮挡造成轮廓缺损的问题。在一个摄像头下，视频中不可避免的会产生行人与行人、行人与物之间的遮挡，这将造成提取的轮廓图出现缺损现象。目前大部分的方法是去掉缺损严重的轮廓图，只保留缺损较小的轮廓图。但这种方法将会导致丢失轮廓图中一部分的有用信息，对识别的准确度造成一点影响。所以本专利提出一种能根据图中非缺损部分像素对缺损部分进行补全的方法。

一般的补全方法，例如线性插值方法只能根据缺损像素周围的点进行补全，忽略了缺损部分与人体各部分之间的比例关系。但在人的视觉感官中，我们能利用人体各部分之间的比例关系推断出被遮挡部分的图像。随着深度学习的发展，目前，神经网络具备一定的推断能力。因此设计一种基于生成对抗模型的步态补全网络来进行遮挡图像的补全，这将有助于步态识别准确分类。

发明内容

本发明针对行走过程中人体部分遮挡对步态识别带来的挑战提出了一种新颖的步态识别方法。首先使用背景差分的方法对行人的轮廓进行提取，对遮挡的步态轮廓图采用补全网络进行补全，再对步态轮廓图进行叠加计算得到步态熵图，为了减少生成的噪声干扰和轮廓提取时产生的噪声，采用堆叠去噪编码器进行特征提取，然后为了提高分类精度通过稀疏编码对特征进行分类。

本发明所述的技术方案具体步骤如下：

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：生成网络完成训练后，再对缺损的步态轮廓图与生成的轮廓图进行对比，利用它们之间的损失用来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。首先根据轮廓中人体高和宽之间的比例检测一个周期，再对一个周期内所有的步态轮廓图进行平均叠加，其中f_t(x,y)表示t时刻的轮廓图；

S5：其次，为了减少背包或衣着的改变带来的影响，按照下式进一步计算步态熵图：