[发明专利]一种结合自编码器与视角变换模型的跨视角步态识别方法

说明书

本发明结合自编码器与视角变换模型的跨视角步态识别方法：采集多视角多携带物状态的步态数据集；训练得到去携带物编码器和视角判别器；将待测目标在多个观测视角下的步态能量图输入编码器得到纯步态特征，将步态特征拼接为步态特征矩阵，通过奇异值分解得到角度变换与身份信息向量；通过带有身份标签的步态组输入卷积神经网络中进行识别，得到识别模型；将待识别目标的步态能量图输入自编码器与观测视角判别器，得到无携带物步态能量图与观测视角信息，一同输入视角投影模型并转换至对比视角下，与在对比视角下来自不同目标的步态能量图依次组成步态能量图组，输入识别模型，取得分最高组合为识别结果，完成识别。

技术领域

本发明属于图像分类技术领域，主要涉及行人识别技术领域，具体是一种结合自编码器与视角变换模型的跨视角步态识别方法。

背景技术

将人体的步态特征应用于人体身份识别，一方面可以有效应用于目前已大范围普及的视频监控系统，且对摄像设备的素质没有太高的要求。另一方面，当前广泛应用的基于人脸、指纹、虹膜等生物特征的识别技术存在应用局限性，即需要被观测者的配合，而步态识别可以在远距离、非接触的情况下完成识别，使得步态识别成为远距离生物识别最具潜力的生物特征。

在当前的步态识别研究中，被观测者通常会穿着不同样式的衣物，或携带不同样式的携带物，这些协变量的存在会对步态识别造成较大的影响。同时，一个人的步态轮廓会随着观测视角的改变而发生较大的变化，这也是步态识别的一大难点。因此，如何设计一种能够有效剥离携带物影响并实现较好的跨视角步态识别性能的方法是一个重要的研究方向。

当前的步态特征主要可以分为步态能量图、时序步态图、步态流图等，其中使用最广泛的为步态能量图，其包含了人体在一个完整步态周期中的运动区域，在空间上是归一化的能量图，在时间上是一个运动周期的归一化累积能量图，同时具有提取简单、噪声鲁棒等特点。

自编码器(AutoEncoder，AE)是一种能够通过半监督或无监督学习，学到输入数据高效表示的人工神经网络。输入数据的这一高效表示称为编码，其维度一般远小于输入数据，使得自编码器可用于降维。更重要的是，自编码器可作为强大的特征检测器，应用于深度神经网络的预训练。

视角变换模型(View Transformation Model，VTM)使用多视角的步态特征构建了一个通用的转换规则，用来将某一角度下的步态特征转换到目标视角下的步态特征，该方法主要通过奇异值分解来求取角度变换向量和身份信息向量，目标视角下的步态特征由目标视角的角度变换向量乘以对应目标的身份信息向量得到。

基于自编码器与视角变换模型的上述特点，本发明提出一种结合自编码器与视角变换模型的跨视角步态识别方法。

发明内容

针对上述现状，本发明提供了一种结合自编码器与视角变换模型的跨视角步态识别方法，其通过将一个步态周期的二值人体轮廓图转换为步态能量图，然后将步态能量图输入具有移除携带物影响的自编码器以获得纯粹步态特征的步态能量图，同时视角判别器从输入步态能量图中获得观察视角信息，视角变换模型将无携带物步态能量图投影至标准对比视角下，最后将对比视角下的步态能量图放入卷积神经网络中进行目标识别。

本发明采取如下技术方案：

一种结合自编码器与视角变换模型的跨视角步态识别方法，按如下步骤进行：

S1、采集多视角多携带物状态的步态数据集，获取不同视角和不同携带物状态的步态能量图；

S2、将有携带物的步态能量图输入基于卷积神经网络的编码器，以同视角下无携带物的步态能量图为监督样本训练得到去携带物编码器，将标记有观测视角信息的步态能量图输入基于卷积神经网络的视角判别器进行判别训练，得到视角判别器；

S3、将待测目标在多个观测视角下的步态能量图输入步骤S2中训练得到的编码器得到纯步态特征，将步态特征拼接为步态特征矩阵，通过奇异值分解以得到角度变换向量与身份信息向量；