[發明專利]一種基于深度神經網絡的步態識別方法

在審

• 申請號: 201710430063.4
• 申請日: 2017-05-31
• 公開（公告）號: CN107292250A
• 公開（公告）日: 2017-10-24
• 發明（設計）人: 李占利;胡阿敏
• 申請（專利權）人: 西安科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08;G06T7/254
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及計算機視覺和模式識別，具體涉及一種基于深度神經網絡的步態識別方法。

背景技術

在現有的步態識別技術中，步態能量圖作為一種步態特征描述子識別效果比較理想而且計算簡單，在步態能量圖中做了部分改進對其添加一個高斯系數得到步態高斯圖，其識別效果明顯優于步態能量圖，應用步態高斯圖作為步態特征選擇合適的分類器可以有效識別人的身份。但是這種識別在視角跨度較大(36度以上)或者衣著攜帶情況顯著改變時識別率很難達到理想的效果。

卷積神經網絡是為識別二維形狀而特殊設計的一個多層感知器，這種網絡結構對平移、比例縮放、傾斜或者其他形式的變形具有高度不變性。深度神經網絡由于可以自主的提取圖像的特征并進行逐層抽象而在圖像分類領域應用比較廣泛，特別是其激活函數具備的非線性特性使其適應能力更強并具有很好的分類特性，同時每一個卷積核共享權重有效減少了訓練參數及訓練時間。

由于深度學習是以數據為驅動，利用反向傳播算法對其參數更新，因此要訓練一個新的性能優越的網絡往往需要大量的數據和較長的時間，而現有的數據庫所提供的數據往往很難去訓練一個新的網絡。為了克服該缺陷，可以對原始的圖像數據進行相關處理(旋轉，縮放，尺度變化)以對有線的數據擴增，或者在已有相應模型中進行繼續訓練使其適合于你的實驗任務。

發明內容

為了解決現有步態識別技術中識別性能受較多協變量的影響較大，本發明提出了一種基于深度神經網絡的步態識別方法，該方法對跨視角，不同的攜帶狀況，衣著，復雜的背景情況都表現出較好的魯棒性，在復雜場景及多協變量的影響下顯著提高了識別率；采用微調已訓練好的網絡，有效的解決了數據量不足問題并節省了計算量及運行時間。

為實現上述目的，本發明采取的技術方案為：

一種基于深度神經網絡的步態識別方法，包括如下步驟：

S1、從原始的步態視頻圖像中減除運動背景得到人體運動輪廓圖，對輪廓圖進行形態學處理使其噪聲減小，并填充圖像中的空洞，然后提取步態周期，進一步對輪廓圖進行歸一化使其大小相等，在一個步態周期內計算步態高斯圖；

S2、將所得的將步態高斯圖按照設計的規則以5∶1的比例將樣本數據集劃分為訓練集和測試集；

S3、建立與AlexNet結構相一致的八層卷積神經網絡模型，并對模型最后一層的神經元的個數修改使其適應于步態識別的分類任務；該模型的前七層用已經訓練好的AlexNet模型的參數對進行初始化，模型的最后一層進行隨機初始化；修改配置文件中的部分參數，使模型可以更加快速收斂；部分參數包括基礎學習率、權重衰減、學習率變化比率、最大迭代次數等。

S4、將已標記好的訓練樣本集輸入到上述神經網絡模型，然后根據正向傳播和反向傳播對神經網絡的參數進行更新，直到模型收斂，保存訓練好的模型；

S5、應用訓練好的模型和標記好的測試數據對模型進行預測，根據模型的訓練日志和預測日志對模型進行分析，繪制訓練和測試Accracy及loss曲線，判斷該模型是否可以有效地進行步態識別。

本發明具有以下有益效果：

相比于傳統的步態識別方法，該方法的魯棒性較高，在多種協變量存在的情況下可以更有效的識人的身份。由于AlexNet是一種用于圖像分類的卷積神經網絡模型，使用該模型對建立的用于步態識別的卷積神經網絡進行初始化可以顯著提高模型的收斂速度，避免了由于樣本較少而使得模型的分類性能較差的缺點，同時顯著減少了模型訓練所需的資源和時間。

附圖說明

圖1為本發明實施例基于深度神經網絡的步態識別方法的框架示意圖。

圖2為本發明實施例中深度神經網絡的訓練和測試流程圖。

圖3為本發明實施例中步態高斯圖的提取過程示意圖。

具體實施方式

為了使本發明的目的及優點更加清楚明白，以下結合實施例對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

如圖1-圖2所示，本發明實施例提供了一種基于深度神經網絡的步態識別方法，包括如下步驟：

S1、如圖3所示，從視頻序列中減除運動背景得到人體運動輪廓圖，對輪廓圖進行形態學處理使其噪聲減小，并填充圖像中的空洞，然后提取步態周期，進一步對輪廓圖進行歸一化使其大小相等，在一個步態周期內計算步態高斯圖，建立步態高斯圖的樣本數據集。按照設計的規則對數據集以5∶1的比例劃分訓練集和測試集；