[发明专利]一种步态特征提取方法及基于步态特征的行人身份识别方法

权利要求书

1.一种步态特征提取方法，其特征在于，从一个步态图像序列提取步态特征，包括以下步骤：

步骤A：对于该步态图像序列中的每一帧步态图像，获取其中行人所在区域，将得到的区域作为感兴趣区域；

步骤B：使用人体语义分割网络分割感兴趣区域中的行人目标；

步骤C：利用人体关节点检测技术，获取每一帧步态图像中行人目标的关节点位置信息；

步骤D：基于该步态图像序列的各帧步态图像中行人目标的关节点位置信息，进行步态周期检测；

步骤E：根据检测出的步态周期，合成该步态图像序列对应的步态能量图，作为步态特征；

所述步骤B中，人体语义分割网络是一种全卷积神经网络，包括编码层和解码层，编码层包括依次连接的一个输入层、两个下采样层、一个最大池化层、五个Inception-Resnet模块、一个下采样层和八个Inception-Resnet模块；所述解码层包括依次连接的一个上采样模块，两个Inception-Resnet模块、一个上采样模块和一个输出层；

编码层接收的输入图像是由步骤A获取的感兴趣区域，编码层的输出经解码层处理，得到与输入图像相同尺寸的两张特征图，其中一张特征图上各像素点的像素值为输入图像上各个像素点为前景像素点的概率p_q，另一张特征图上各像素点的像素值为输入图像上各个像素点为背景像素点的概率p_b；

对于输入图像上每个像素点，如果其对应的p_q≥p_b，则将其被判断为前景像素点，将其像素值设置为255，否则将其被判断为背景像素点，将其像素值设置为0，从而得到与输入图像对应的二值化人体剪影图像，将其作为行人目标。

2.根据权利要求1所述的步态特征提取方法，其特征在于，将二分类交叉熵损失函数L_parsing和结构损失函数L_Joint融合起来作为人体语义分割网络的损失函数L_ssl，损失函数如下所示：

L_ssl＝L_parsing·L_Joint

其中，代表根据人体语义分割网络输出的特征图得到的输入图像上第i个像素点属于c类的概率，表示第i个像素的真实类别标记，通过人工对原始步态图像进行标注得到，K等于2，像素点类型包括前景像素点和背景像素点两种，N为输入图像上像素点的个数；c^p代表预测出的行人轮廓中心点坐标，其计算方法为：统计二值化剪影图像中所有前景像素点的坐标，将所有前景像素点的x坐标和y坐标求平均，即得到预测出的轮廓中心点的x坐标和y坐标；c^gt代表的是真实的行人轮廓中心点坐标，其计算方法为：统计进行了人工标注的原始步态图像中所有前景像素点的坐标，将所有前景像素点的x坐标和y坐标求平均，即得到真实的行人轮廓中心点的x坐标和y坐标。

3.根据权利要求1所述的步态特征提取方法，其特征在于，利用超像素分割技术对二值化人体剪影图像进行后处理，方法为：将步骤A得到的感兴趣区域分割为一系列的超像素块，结合人体语义分割网络的分割结果，对每个超像素块进行像素级判断，若一个超像素块内大部分像素点都被判断为前景像素点，则将整个超像素块内的像素都判断为前景像素点，将整个超像素块内像素点的像素值都置为255，反之，则将整个超像素块内的像素点都判断为背景像素，将整个超像素块内像素点的像素值都置为0，得到最终的行人目标。