[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

说明书

本发明公开了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，步态特征提取方法包括以下步骤：步骤A：对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，作为感兴趣区域；步骤B：分割感兴趣区域中的行人目标；步骤C：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。基于提取出的步态特征利用判别网络和对比网络对行人目标进行判断或识别。本发明较好解决了步态识别领域小样本分类中样本量不足的问题，且算法实时性好。

技术领域

本发明属于图像信息处理领域，具体涉及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。

背景技术

随着现代社会的快速发展，用信息化、智能化的手段保障社会安全成为了新常态。特别是在国家发改委提出智慧城市建设战略后，通过现代化手段构建安全、便捷的智慧城市，具有重要的意义。在智慧城市建设中，社会安全问题是其中最为重要的一环，也备受人们的关注。在安全保障领域，有很多的技术应用到视频监控和身份认证当中，这里面生物特征识别给我们的日常生活带来了极大的便利，如人脸、指纹、虹膜识别等。这些生物特征虽然十分成熟且具有较高的识别率，但是需要被测者一定的配合，且易伪造，受距离限制。因此，能够在远距离、低分辨率、非主动的情况下对行人身份进行识别，受到越来越多的学者关注。

人体步态特征是一种行走方式，由身体各个不同的部位运动组成，不同个体之间的步态特征存在差异性，因此可以利用这种差异性来进行行人识别。通过步态特征对被检测者身份进行识别，不需要被检测者的有意配合，不需要特定的信息采集设备，难以伪装和隐藏，因此在侦查、安检等多种场景下，利用步态特征进行安全识别都具有很大的潜力。

目前，基于步态特征的行人身份识别方法可以分为基于模型的方法和基于非模型的方法。基于非模型的方法主要分为三个步骤：行人检测和分割、步态周期检测、生成步态特征与识别。在行人分割方面，Ke Gong等人提出了一种语义分割模型LIP(Look intoPerson)，能够较好的分割出行人，但是算法比较耗时，无法满足实时性要求。在识别方面，有很多的识别方法，如Wolf等人提出的3D卷积的方法，通过利用3D卷积捕捉步态序列中的时空信息，将具有灰度信息的步态图像序列作为网络输入进行判别；Liao等人利用开源的姿态估计算法从原始的视频序列中提取人体的姿态信息，再利用长短时记忆模块提取特征进行识别。这些步态识别算法都取得了较为理想的识别效果，但都需要大量的样本来对模型进行训练，而在实际应用中往往难以获取每个类别大量的训练样本，这就是迁移学习中的小样本分类问题，如果只有一个标注样本，则称之为One-shot learning问题。

在此背景下，研究出一种既能保证实时性和高识别率，且实用性又强的步态特征提取方法及基于步态特征的行人身份识别方法具有重要的意义。

发明内容

本发明所要解决的技术问题是，针对现有技术的不足，提供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，采用深度学习算法提取步态特征，基于提取出的步态特征数据，能在小样本的情况下识别出行人身份，解决了现有技术无法满足实时性要求，样本量不够导致识别准确率不高的问题

本发明所采用的技术方案如下：

一种步态特征提取方法，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(ROI)；

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；其中人体语义分割网络基于深度学习算法(卷积神经网络)实现；

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；