[发明专利]一种基于生成对抗图像补全网络的步态识别方法

摘要

本发明公开一种基于生成对抗图像补全网络的步态识别方法，能解决中小面积人体遮挡的步态识别方法。包括以下步骤：首先为了解决行走过程中人体局部遮挡的问题，提出了一种基于Wasserstein GAN的步态轮廓图生成网络,能够为图像中的遮挡区域生成上下文一致的补全图像；其次，为了减少噪声对特征提取的影响，采用具有鲁棒性的堆叠自动编码器进行特征提取；最后，为了提高分类的能力，采用稀疏编码的方法对步态特征进行表示与分类，使分类结果更加精确。

主权项

1.一种基于生成对抗图像补全网络的步态识别方法，其包含以下步骤：S1：将检测到的行人视频进行逐帧生成人体轮廓图，主要方法是利用背景差分法，通过视频中各帧与背景帧相比较，像素相差较大的部分即为人体轮廓，再对轮廓按人体最小矩形进行裁剪和归一化；S2：对于第一步获得的缺损轮廓图需要进行补全处理，首先通过非缺损的步态轮廓图训练生成对抗网络，使其能生成与真实步态轮廓一致的步态轮廓图。该过程先训练判别器，使其能区分真实数据与生成数据，再训练生成器，使其能生成与真实步态轮廓一致的步态轮廓图，不断重复此操作，直到网络收敛；S3：训练好生成网络，再通过缺损的步态轮廓图优化生成器中的隐变量z，使生成器能生成与遮挡轮廓图相近的完整轮廓图，最后使用该轮廓图替代缺损的轮廓图；S4：在得到步态轮廓后计算步态能量图，即一个周期内对所有的步态轮廓图进行叠加平均，其中f_t(x,y)表示t时刻的轮廓图；S5：其次，为了减少背包与衣着的改变带来的影响，进一步计算步态熵图：E_GEnI(x,y)＝‑E_GEI(x,y)log₂E_GEI(x,y)‑(1‑E_GEI(x,y))log₂(1‑E_GEI(x,y))S6：得到步态熵图后，采用堆叠自动编码器进行步态特征的提取。输入层的数目为5时实验效果最佳，每层隐藏节点个数分别为：1000、500、250、125、75，输出层大小和输入层相同。首先对堆叠自动编码器从底层到高层逐层训练结束后，然后将网络只保留编码部分对输入的数据进行特征提取；S7：得到步态特征后，采用稀疏表示对特征进行表示与分类，利用正交匹配追踪算法(OMP)计算稀疏系数，然后根据重构误差进行步态特征分类。