[发明专利]一种多视角步态识别方法及系统

说明书

本发明公开了一种基于两个正交视角方向的特征分开提取的多视角步态识别方法及系统，方法具体步骤：S1.采集得到多视角、多协变量情况的步态数据集，并对数据集进行预处理；S2.将预处理后的输入送入训练好的特征提取网络，提取出90°和0°两个视角方向成分的特征向量；同时，根据输入的样本识别出样本的协变量，并得到协变量向量；S3.根据得到的协变量向量，对步骤S2的特征向量做加权处理，得到最终的步态特征向量；S4.设置注册集，注册集中只含有90°和0°两个视角方向的样本；S5.通过对比网络输出的步态特征与注册集的步态特征，分类得到输入的身份信息。本发明实现了多视角、多携带物状态的步态识别的目的，有效降低了协变量对步态识别的影响。

技术领域

本发明属于步态识别技术领域，具体涉及一种基于两个正交视角方向的特征分开提取的深度学习的多视角步态识别方法及系统。

背景技术

步态识别的准确率容易受衣着、拍摄视角、速度、光照强度等因素的影响，研究人员的工作主要着眼于更好地提取出与协变量无关的、更有效的步态特征。

目前，步态识别算法主要分为非深度学习和深度学习的步态识别两大类。

非深度学习的步态识别算法的相关研究主要通过手工设计特征，技术人员从图像中提取人体的轮廓，采用不同的人体步态表示方法构建模型来表示轮廓序列，紧接着使用不同的学习方法提取特征信息，最后通过邻近算法(K-NearestNeighbor，KNN)等分类器识别出主体的身份。

2015年后，深度学习兴起，步态识别领域也引入深度学习的概念。目前的步态识别领域大多是利用深度学习的方法搭建模型。按照输入类型的不同，深度学习的步态识别算法可分为三类：基于合成图的算法、基于视频帧序列的算法以及基于骨骼模型的算法。

基于合成图的算法的输入一般是步态能量图(Gait Energy Image,GEI)，它是由目标一个步态周期的所有轮廓图相加取平均得到。下式为一个步态周期为N帧的步态能量图，其中X_t表示t时刻的图像：

基于合成图的算法忽略了时间维度的信息，精度不高，但它将步态信息集成在一张图中，所构建的模型简单，模型的参数量更少。

基于视频帧序列的算法是目前的主流算法，它包含了时序的步态信息以及空间的步态信息，能够得到较高的识别精度，但仍有提高的空间，且它极易受到诸如穿着情况等的协变量因素的影响。

基于骨骼模型的算法没有将步态识别看做图像分类，它通过对人体建模来达到获取步态信息的目的，因此该类算法对穿着的变化、遮挡等问题具有更强的鲁棒性，但目前的识别准确率达不到基于视频帧序列的算法的识别准确率。

发明内容

针对现有技术存在的上述缺陷，本发明以提高识别准确率为目的，基于矢量分解的数学原理，提出了一种基于两个正交视角方向的特征分开提取的深度学习的多视角步态识别方法及系统，并根据输入类型的不同，构建了输入为步态能量图的模型以及输入为视频帧序列的模型。

本发明提供的一种基于矢量分解的多视角步态识别方法及系统，将某视角下的步态视频帧图像分解为90°和0°两个视角方向的帧图像进行步态特征提取，然后将得到的步态特征做加权拼接处理。

为实现上述目的，本发明采取如下技术方案：

一种多视角步态识别方法，按照如下步骤进行：

S1.采集得到多视角、多协变量情况的步态视频数据集，并对数据集进行预处理；

S2.将预处理后的数据输入特征提取网络，提取、得到90°和0°两个视角方向成分的特征向量；