[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

说明书

本发明公开了一种基于正面视角步态数据的个体身份识别方法,包括以下步骤：采集人体正面视角轮廓序列；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；分别构建径向基函数神经网络提取三类时变步态数据下的步态动力学特征，并使用深度迁移学习机制进行二次特征提取；利用不同个体之间在步态动力学上的差异，计算二次特征提取后三类特征的特征融合加权权值；将加权融合后的特征输入到全连接网络进行训练和分类。本发明采用步态动力学特征与深度迁移学习机制的结合，对正面视角下步态数据进行迁移特征学习与智能融合，简单方便、容易操作，能够实现正面视角下识别率的有效提升。

技术领域

本发明属于模式识别技术领域，具体涉及一种基于正面视角步态数据的个体身份识别方法。

背景技术

步态识别，作为一种新兴的生物特征识别技术，具有唯一性、非接触性以及远距离性等无法比拟的优点，可广泛应用于视频监控中。而在具体的监控场景中，现有步态识别算法严重依赖侧面视角数据，大多都是从寻找侧面视角步态特征及侧面视角图像处理两方面出发，虽然涌现了很多有价值的工作，但这些方法受限于侧面视角数据采集带来的场地问题，往往需要很大的数据采集区域，这也是步态识别技术无法实际应用的一个重要原因之一。若能基于正面视角步态数据对人体步态运动及其特征信息进行提取和建模，并将提取和建模结果作为步态标签用于步态识别，显然会对步态识别技术的实用化进程提供很大的帮助。为此，我们提出一种基于正面视角步态数据的个体身份识别方法，以解决上述背景技术中提到的问题。

发明内容

本发明的目的在于提供一种基于正面视角步态数据的个体身份识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于正面视角步态数据的个体身份识别方法，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；

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。

步骤二、构建径向基函数(RBF)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；

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。

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；