[发明专利]一种基于多通道时空网络和联合优化损失的身份识别方法

说明书

本发明提供一种基于多通道时空网络和联合优化损失的身份识别方法，包括多通道时空网络系统和联合优化损失系统，所述联合优化损失系统包括改进三元损失函数、标签平滑正则化交叉熵损失函数两部分，所述标签平滑正则化交叉熵损失函数为针对传统分类网络在训练过程中交叉熵损失函数，计算所述交叉熵损失中融入标签平滑正则化。解决了基于传统图像方法步态识别跨视角准确度较低且基于模型的步态识别方法计算复杂、耗时长的等问题，为实时身份识别技术提供方法保证。

技术领域

本发明涉及身份识别方法技术领域，具体涉及一种基于多通道时空网络和联合优化损失的身份识别方法。

背景技术

近年来，人工智能技术日趋成熟并逐渐走向应用，越来越多的行业开始进入智能技术革新阶段。身份认证领域也从传统的用户名/密码认证、IC卡认证、动态口令认证，逐渐发展成现有的人体生物特征识别认证。利用计算机技术与传感器技术相结合，根据每个人独特的生理特征或者行为特征来完成个人身份的鉴定，是目前安全系数最高的身份认证技术之一。步态识别作为一种新兴的生物特征识别技术，近年来也开始逐渐被挖掘。被识别者无需接触传感器，对步态图像的采集方向和图像质量要求也不高，远距离任意角度即可完成身份认证。虽然目前的步态识别技术还未能达到商用水平，但其独特优势及广泛的应用前景吸引了越来越多的学者参与研究。在新型建设智慧城市报告中，重点强调了公民数字身份认证和网络身份识别技术的安全性，因此发展步态识别技术也可以很好的与其他生物特征识别技术形成互补，为当代智能安防建设中身份认证提供新的思路。现有的CASIA-B数据库为中科院自动化所公开的大型步态数据库CASIA－B，CASIA－B数据库包含124人(男93人，女31人)，每人11个视角(0°,18°,36°,54°,72°，90°，108°，126°，144°，162°，180°)，每个视角下有3种行走状态(普通条件,穿大衣,携带包裹)。

基于步态骨架序列的步态识别在视角变化、携带物等场景下的鲁棒性更强，但细化后的骨架序列丢了大量有效特征，降低了不同个体间的差异性，其优缺点刚好和基于步态轮廓序列的方法形成互补，结合两类步态序列的优势，提出一种多通道时空网络和联合优化损失的步态识别方法，在保证有效特征相似度学习的同时，加快网络训练收敛速度，提高视角变化、携带物等场景下的身份识别准确率。

发明内容

为了解决现有技术中存在的某种或某些技术问题，本发明提供一种基于多通道时空网络和联合优化损失的身份识别方法，解决了基于传统图像方法步态识别跨视角准确度较低且基于模型的步态识别方法计算复杂、耗时长的等问题，为实时身份识别技术提供方法保证。

为解决上述现有的技术问题，本发明采用如下方案：

一种基于多通道时空网络和联合优化损失的身份识别方法，包括多通道时空网络系统和联合优化损失系统，所述联合优化损失系统包括改进三元损失函数、标签平滑正则化交叉熵损失函数两部分，所述标签平滑正则化交叉熵损失函数为针对传统分类网络在训练过程中交叉熵损失函数，计算所述交叉熵损失中融入标签平滑正则化，实现该方法的步骤包括：

步骤一、步态序列预处理，通过步态图像预处理算法，将CASIA－B步态数据库中的步态图像，分别通过步态序列预处理成尺寸一致、中心对齐的步态轮廓序列和骨架序列；

步骤二、将步态序列预处理所得步态骨架序列和轮廓序列共同输入多通道时空网络系统，以充分提取步态序列间时空特征；

步骤三、结合三元组网络建立步态身份识别模型；

步骤四、结合改进三元损失和优化交叉熵损失共同监督网络训练。

进一步地，所述多通道时空网络系统为采用多通道浅层卷积神经网络串联长短时记忆神经网络的结构作为特征提取的主干网络，并将周期内一一对应的步态骨架、轮廓序列直接作为网络的输入，以充分挖掘步态序列间时空信息。