[發明專利]步態識別方法、裝置、終端及存儲裝置

有效

• 申請號: 201911054092.0
• 申請日: 2019-10-31
• 公開（公告）號: CN110796100B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 羅時現;潘華東;殷俊;張興明
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/44;G06V10/80;G06V10/77;G06V10/82
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 李慶波

1.一種步態識別方法，其特征在于，包括：

利用訓練好的步態周期劃分模型從視頻流中提取一個步態周期的步態輪廓序列，所述步態輪廓序列包括多幀步態輪廓圖；

提取所述步態輪廓序列中每張所述步態輪廓圖的特征；

利用所有所述步態輪廓圖的特征獲取所述步態輪廓序列的質量評價數組；

利用所述質量評價數組對所有所述步態輪廓圖的特征進行疊加融合，得到所述步態輪廓序列的整體特征；

至少利用所述步態輪廓序列的整體特征進行識別；

其中，所述利用所述質量評價數組對所有所述步態輪廓圖的特征進行疊加融合，得到所述步態輪廓序列的整體特征，包括：

通過所述質量評價數組分別對每一個所述步態輪廓圖進行質量評價，得到質量評價分數；

根據所述質量評價分數對所述步態輪廓圖的特征進行加權融合，得到所述步態輪廓序列的整體特征。

2.根據權利要求1所述的步態識別方法，其特征在于，

所述利用所有所述步態輪廓圖的特征獲取所述步態輪廓序列的質量評價數組的步驟，包括：

將多幀所述步態輪廓圖的特征經卷積池化操作后得到基于幀數、圖像通道數、所述步態輪廓圖的高和寬的四維張量；

利用1×1卷積對所述四維張量升維后進行學習，再壓縮轉換為三維張量；

將所述三維張量轉化為所述質量評價數組。

3.根據權利要求1所述的步態識別方法，其特征在于，

所述每張所述步態輪廓圖的特征包括每張所述步態輪廓圖的高層語義特征、中層語義特征和低層語義特征。

4.根據權利要求3所述的步態識別方法，其特征在于，

所述步態輪廓序列的質量評價數組包括與所述高層語義特征對應的高層質量評價數組、與所述中層語義特征對應的中層質量評價數組和與所述低層語義特征對應的低層質量評價數組。

5.根據權利要求4所述的步態識別方法，其特征在于，

所述步態輪廓序列的整體特征包括高層整體特征、中層整體特征和低層整體特征；

所述利用所述質量評價數組對所有所述步態輪廓圖的特征進行疊加融合，得到所述步態輪廓序列的整體特征的步驟，包括：

利用所述高層質量評價數組將所有所述高層語義特征按圖像通道進行疊加融合，得到所述高層整體特征；

利用所述中層質量評價數組將所有所述中層語義特征按圖像通道進行疊加融合，得到所述中層整體特征；

利用所述低層質量評價數組將所有所述低層語義特征按圖像通道進行疊加融合，得到所述低層整體特征。

6.根據權利要求5所述的步態識別方法，其特征在于，

所述步態輪廓序列的整體特征還包括融合整體特征，所述融合整體特征是對所述高層整體特征、所述中層整體特征和所述低層整體特征進行空間融合而得到的。

7.根據權利要求1所述的步態識別方法，其特征在于，

進一步包括對所述步態周期劃分模型進行訓練，所述步態周期劃分模型的訓練步驟，包括：

提取一個步態周期內所有圖像的關節數據，并構建每張圖像的骨架圖；

獲取每張所述骨架圖在所述所有圖像中的順序位置，并根據所述順序位置設定每張所述骨架圖的余弦值；

利用卷積神經網絡對所述骨架圖和所述余弦值進行訓練，得到訓練好的步態周期劃分模型。

8.根據權利要求7所述的步態識別方法，其特征在于，

所述利用訓練好的步態周期劃分模型從視頻流中提取一個步態周期的步態輪廓序列的步驟，包括：

提取所述視頻流中每張步態輪廓圖的關節數據，并構建目標骨架圖；

將所述目標骨架圖與所述步態周期劃分模型訓練時的骨架圖進行匹配，并獲取對應的余弦值作為目標余弦值；

根據每張步態輪廓圖的所述目標余弦值生成余弦波形圖，并提取兩個波峰或兩個波谷之間的所有步態輪廓圖作為所述一個步態周期的步態輪廓序列。