[发明专利]一种基于正面视角步态数据的个体身份识别方法

权利要求书

1.一种基于正面视角步态数据的个体身份识别方法，其特征在于：包括如下步骤：

步骤一、获取人体行走步态轮廓图，并提取正面视角下人体下肢轮廓面积类特征、长度类特征及角度类三类时变数据及曲线；

步骤二、构建径向基函数神经网络，对三类步态时变数据内在的非线性步态动力学信息进行神经网络的逼近和辨识，以常值神经网络权值矩阵进行存储；

步骤三、将三类步态动力学特征分别作为预训练深度学习神经网络模型的输入，进行迁移特征学习，完成二次特征提取，将三种单网络提取的特征进行自适应加权融合拼接；

步骤四：构建全连接网络根据训练模式与测试模式之间关于非线性动力学特征间的差异，把测试模式准确分类识别出来，实现正面视角下的步态识别。

2.根据权利要求1所述的一种基于正面视角步态数据的个体身份识别方法，其特征在于：步骤一中，正面视角下人体轮廓时变数据提取方法为：将正面视角下的行走图像序列进行背景减除以及形态学处理，获得人体行走的二值步态轮廓图；

将人体二值轮廓从上而下根据人体轮廓高度分为三等分等高度子区域，并选择最底下区域为兴趣区域；

提取每一帧兴趣区域的轮廓面积类特征、长度类特征及角度类三类时变数据及曲线；

提取每一帧的下肢双腿轮廓面积比值下肢双腿轮廓面积差值下肢双腿对地三角形面积组成步态面积数据；

提取每一帧的下肢双腿轮廓垂直到地长度比值下肢双腿下极端点连线长度值下肢双腿轮廓下极端点到上界线中点距离长度差值组成步态长度数据；

提取每一帧下肢双腿下极端点连线对地夹角下肢左腿下极端点与上界线中点连线的垂直夹角下肢右腿下极端点与上界线中点连线的垂直夹角组成步态角度数据；

得到正面视角下人体下肢轮廓面积类特征、长度类特征及角度类三类时变数据的周期或类周期变化曲线。

3.根据权利要求1所述的一种基于正面视角步态数据的个体身份识别方法，其特征在于：在步骤二中，对三类步态时变数据内在的非线性步态动力学信息进行神经网络辨识，具体方法为：对前述每一类时变数据分别建立其非线性动力学模型

其中，x＝[x₁,···,x_n]^T∈Rⁿ是提取到的三个面积/长度/角度特征，p是系统常参数值；F(x；p)＝[f₁(x；p),···,f_n(x；p)]^T代表内在的非线性步态动力学项，v(x；p)＝[v₁(x；p),…,v_n(x；p)]^T是引入的建模不确定项；

将建模不确定项v(x；p)和步态非线性动力学项F(x；p)合并为一项：并定义为总的步态非线性动力学项；构建确定学习机制下的RBF神经网络用于辨识非线性步态动力学选取收敛的部分权值取数值平均，获取相应的神经网络常值的权值以常值神经网络权值矩阵进行存储。

4.根据权利要求1所述的一种基于正面视角步态数据的个体身份识别方法，其特征在于：在步骤三中，迁移特征学习方法具体为：将三类步态动力学特征分别输入到预训练深度学习神经网络模型Inception-v3,Resnet152和Inception-Resnet-v2中的一种或以上，并在其单独或组合中进行迁移特征学习，完成二次特征提取；

在模式训练环节，将测试模式对应数据与所得二次数据特征进行比较，产生一组L1范数形式的识别误差，将其作为衡量训练步态模式中各项二次特征权重占比的标准；

识别误差取值在[-10,10]区间，权值取80；识别误差取值在[-20,-10)及(10,20]区间，权值取60；识别误差取值在其余区间，权值取20；

依据所得权重值，将预训练模型获取的二次特征进行拼接：Q＝a×长度数据迁移学习特征数值+b×面积数据迁移学习特征数值+c×角度数据迁移学习特征数值，其中，a,b,c为权值，Q为拼接后的步态特征。

5.根据权利要求1所述的一种基于正面视角步态数据的个体身份识别方法，其特征在于：在步骤四中，构建全连接网络进行正面视角下的步态识别，具体是以拼接后的步态特征表征不同的步行个体，根据训练模式与测试模式之间的差异，采用二层全连接网络、五层全连接网络和七层全连接网络，依照识别结果多数投票方式把测试模式准确分类识别出来，实现正面视角下的步态识别。