[發明專利]一種基于GEI和TripletLoss-DenseNet的步態識別方法

有效

• 申請號: 201810518121.3
• 申請日: 2018-05-27
• 公開（公告）號: CN108921019B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 楊新武;侯海娥;馮凱
• 申請（專利權）人: 北京工業大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.一種基于GEI和TripletLoss-DenseNet的步態識別方法，其特征在于：該方法將步態能量圖GEI作為TripletLoss-DenseNet CNN的輸入，使用網絡將GEI映射為特定空間S上一維數組表示的特征向量，用特征向量間的歐氏距離表示行人的相似度，通過相似度來匹配步態識別人的身份；該方法包括步態能量圖提取，模型訓練，識別三個過程，具體如下：

步驟S1，步態能量圖提取過程：

步驟S1.1，行人檢測；

首先用只含背景的圖片建模，然后利用背景減除法直接提取視頻每一幀中二值化行人輪廓圖像，得到的二值化行人輪廓圖像；

步驟S1.2，步態輪廓圖像預處理：

將步驟S1.1得到的二值化行人輪廓圖像利用形態學處理的方法消除圖像中的噪聲，并填補運動目標中像素位的缺失，以獲得經過噪聲處理后的二值化行人輪廓圖像；

步驟S1.3，將二值化行人輪廓圖像尺寸歸一化，中心化；

從步驟S1.2獲取的無噪聲且輪廓完整平滑的二值化行人輪廓圖像中提取行人輪廓的外接矩形部分圖像，然后將外接矩形部分圖像在不改變圖像中行人輪廓形狀的情況下，歸一化為尺寸相同且所有幀中行人輪廓中心對齊的二值化行人輪廓圖像；

步驟S1.4，步態周期檢測：

因行人行走過程中，人體輪廓所占像素點面積隨步態周期呈周期性變化，根據人體輪廓所占像素點面積變化規律，從步驟S1.3處理得到的二值化行人輪廓圖像序列中提取一個步態周期的二值化行人輪廓圖像序列；行人左腳或右腳邁出到該左腳或右腳下一次邁出為一個步態周期；

步驟S1.5，GEI提取過程：

將步驟S1.4處理得到的一個步態周期的所有二值化行人輪廓圖像，帶入GEI計算公式，計算得到行人的步態能量圖；

步驟S2，訓練過程：

步驟S2.1，將步驟S1得到的GEI圖像樣本輸入TripletLoss-DenseNet卷積神經網絡，經過網絡映射，輸出為一維數組表示的特征向量，用以表示步態特征；

步驟S2.2，在步驟S2.1處理得到的特征向量中根據三元組選擇方法，選擇三元組對；

步驟S2.3，根據三元組損失計算公式，計算步驟S2.2得到的三元組對的損失值，并以損失函數值為目標優化步驟S2.1中的TripletLoss-DenseNet模型；

步驟S2.4，重復步驟S2.1至步驟S2.3直至TripletLoss-DenseNet CNN模型收斂；

步驟S3，識別過程；

步驟S3.1，將待識別的步態序列, 即用于識別的一個測試步態序列, 經過步驟S1獲取其GEI；

步驟S3.2，將步驟S3.1獲取的GEI作為TripletLoss-DenseNet網絡的輸入，通過網絡計算，得到對應的特征向量；

步驟S3.3，通過對比步驟S3.2獲取的待識別的步態特征向量與視頻庫中存檔的特征向量，獲取待識別步態序列的身份。

2.根據權利要求1所述的一種基于GEI和TripletLoss-DenseNet的步態識別方法，其特征在于：網絡的輸入圖像是無噪聲且對齊的。

3.根據權利要求1所述的一種基于GEI和TripletLoss-DenseNet的步態識別方法，其特征在于：每個訓練樣本經過網絡映射得到的應該是一維數組表示的特征向量，且維度應限制在100維至200維之間。

4.根據權利要求1所述的一種基于GEI和TripletLoss-DenseNet的步態識別方法，其特征在于：訓練時應設定合適的步長，且每步訓練中，采樣的人數和每人采樣的GEI樣本數需滿足三元組選擇的要求。

5.根據權利要求1所述的一種基于GEI和TripletLoss-DenseNet的步態識別方法，其特征在于：訓練的步長根據每步訓練采樣的數據動態變化。

6.根據權利要求1所述的一種基于GEI和TripletLoss-DenseNet的步態識別方法，其特征在于：GEI計算公式：其中N和t分別代表一個步態周期中二值輪廓圖像的個數，和當前二值輪廓圖像在N張圖像中的序號；S代表第t張二值圖像在(x,y)坐標處的像素值。

7.根據權利要求1所述的一種基于GEI和TripletLoss-DenseNet的步態識別方法，其特征在于：三元組損失計算公式：其中為固定的樣本圖像，被稱為錨點樣本；稱為正樣本，它和來自同一身份；稱為負樣本，與來自不同身份；分別為映射后的特征向量；α是一個強制存在的用于區分正樣本和負樣本的常量；n是訓練集中所有可能的三元組的組數總和。