[发明专利]一种基于脑皮层算法的步态识别方法

说明书

本发明公开了一种基于脑皮层算法的步态识别方法，方法包括：获取步态图像；将步态图像进行步态分割，得到二值轮廓图像；将二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果；将步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征；将步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。本发明通过将步态图像进行步态分割，分割过程中聚合了时间信息，增强了前景提取的稳定性，在复杂环境也能有效提取，还提高了提取速度；本发明将二值轮廓图像通过第一和第二空间池，既可以提高识别的可靠性，又能减少计算，提高计算效率。可广泛应用于图像识别技术领域。

技术领域

本发明涉及图像识别技术领域，尤其是一种基于脑皮层算法的步态识别方法。

背景技术

在人流量巨大时，现有技术手段排查识别人物身份变得十分困难，工作量大，排查效率低，工作繁琐，需要耗费许多的人力物力。在面对这种大量的个人身份识别问题时，我们急需提出相关科技手段辅助排查，提高排查识别的工作质量和效率。

步态识别技术利用行走姿态进行个人身份识别，与指纹、人脸、虹膜等生物特征识别技术相比，具有非接触性、非侵犯性、易于感知、难于隐藏和伪装等优势，在远距离的情况下，步态识别是当下最可行的技术。步态识别技术作为世界前沿的生物识别技术，目前虽然尚处于实验阶段，很多技术问题还有待突破，但是对该技术的研究仍然有着不可忽视的意义。

步态识别主要分为两类：基于模型的步态识别和基于外观的步态识别。

基于模型的方法需要对人体进行建模，现有相关技术需要分别对人体进行摆钟式的线性建模、2D图像建模和3D建模，但问题是需要建立高质量的数据集，且模型的搭建过程比较困难，尤其是当图像的分辨率较低时，建模的可靠性大大降低。

基于外观的方法直接尝试从步态序列视频中找到步态特征。该方法通常对图像帧进行步态分割，提取出人物轮廓，在对轮廓图像归一化之后直接作为算法输入。此外，比较著名的方法还有将一系列的轮廓图像生成步态能量图，把时空信息整合到一起后再进行算法学习。基于外观的方法的缺点是在复杂环境下很难有效提取轮廓，而且受服装和视角的影响较大。

发明内容

有鉴于此，本发明实施例提供一种可靠性高的基于脑皮层算法的步态识别方法。

一方面，本发明实施例提供了一种基于脑皮层算法的步态识别方法，包括：

获取步态图像；

将所述步态图像进行步态分割，得到二值轮廓图像；

将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果；

将所述步态分割二值图像的编码结果通过步态图像稀疏离散表征，得到步态分割图像稀疏化表征；

将所述步态分割图像稀疏化表征与预先存储的步态稀疏离散表征进行对比，得到步态识别结果。

可选地，所述将所述步态图像进行步态分割，得到二值轮廓图像这一步骤，包括：

对RVM算法模型进行模型固化；

对完成模型固化的所述RVM算法模型的输入参数进行设置，所述输入参数包括运行设备、循环次数和下采样比；

将所述步态图像输入所述RVM算法模型进行步态分割，得到二值轮廓图像。

可选地，所述将所述二值轮廓图像通过步态图像编码，得到步态分割二值图像的编码结果这一步骤，包括：

将所述二值轮廓图像输入第一空间池，确定连接输入数据的候选神经元；

对所述候选神经元增加权重，得到激活神经元；

对所述激活神经元进行更新，得到步态分割二值图像的编码结果。