[發(fā)明專利]一種基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010654323.8
• 申請(qǐng)日: 2020-07-09
• 公開(kāi)（公告）號(hào): CN111539396A
• 公開(kāi)（公告）日: 2020-08-14
• 發(fā)明（設(shè)計(jì)）人: 陳海波
• 申請(qǐng)（專利權(quán)）人: 深蘭人工智能芯片研究院（江蘇）有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/40;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 常州佰業(yè)騰飛專利代理事務(wù)所(普通合伙) 32231
• 代理人: 滕詣迪

1.一種基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法，其特征在于

建立yolov3分類特征模型步驟，使用變粒度HOG和CSLBP的方法提取行人輪廓的全局特征以及行人局部的細(xì)節(jié)紋理特征；

檢測(cè)行人目標(biāo)區(qū)域及步態(tài)識(shí)別檢測(cè)步驟，采用SEF-GHEI能量圖進(jìn)行檢測(cè)。

2.根據(jù)權(quán)利要求1所述的基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法，其特征在于建立yolov3分類特征模型包括：

添加圖像預(yù)處理層步驟，即分別使用變粒度HOG和CSLBP的方法提取行人輪廓的全局特征以及行人局部的細(xì)節(jié)紋理特征，然后將提取的變粒度HOG特征和CSLBP紋理特征進(jìn)行融合得到HOG-CSLBP特征。

3.根據(jù)權(quán)利要求2所述的基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法，其特征在于建立yolov3分類特征模型包括：

更改yolov3網(wǎng)絡(luò)中輸出層的卷積核個(gè)數(shù)，然后根據(jù)更改后的結(jié)果構(gòu)建yolov3分類特征模型，然后使用添加圖像預(yù)處理層步驟中提取到的HOG-CSLBP特征作為網(wǎng)絡(luò)的輸入數(shù)據(jù)并對(duì)yolov3分類特征模型進(jìn)行預(yù)訓(xùn)練。

4.根據(jù)權(quán)利要求3所述的基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法，其特征在于：從步態(tài)數(shù)據(jù)中不同視角下的步態(tài)視頻中提取步態(tài)圖像，然后使用添加圖像預(yù)處理層步驟中的方法對(duì)提取的步態(tài)圖像提取HOG-CSLBP特征。

5.根據(jù)權(quán)利要求3所述的基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法，其特征在于：使用HOG-CSLBP特征數(shù)據(jù)對(duì)yolov3分類特征模型中預(yù)訓(xùn)練的模型進(jìn)行微調(diào)，得到檢測(cè)行人yolov3分類特征模型。

6.根據(jù)權(quán)利要求5所述的基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法，其特征在于：行人目標(biāo)區(qū)域檢測(cè)步驟為使用微調(diào)中訓(xùn)練出來(lái)的模型所檢測(cè)出的行人目標(biāo)區(qū)域，采用背景消減法提取人體輪廓圖像并二值化；首先采用形態(tài)學(xué)方法對(duì)其進(jìn)行去噪或者降噪；其次通過(guò)圖像歸一化方法對(duì)經(jīng)過(guò)形態(tài)學(xué)處理后的步態(tài)輪廓圖像進(jìn)行歸一化處理，然后對(duì)歸一化后的步態(tài)輪廓圖像進(jìn)行周期檢測(cè)，從而獲得行人步態(tài)周期圖像序列。

7.根據(jù)權(quán)利要求6所述的基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法，其特征在于從步態(tài)周期圖像序列中提取每個(gè)人的步態(tài)特征；SEF-GHEI能量圖定義如下：，其中：N表示步態(tài)周期內(nèi)的步態(tài)剪影圖像序列幀數(shù)，表示第幀步態(tài)剪影圖像坐標(biāo)像素值方向的HOG特征，其中表示梯度方向直方圖bin的索引號(hào)。

8.根據(jù)權(quán)利要求7所述的基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法，其特征在于：首先將上述所有訓(xùn)練樣本的SEF-GHEI能量圖以列的方式展開(kāi)成列向量，然后把展開(kāi)成列向量的訓(xùn)練樣本構(gòu)建成字典，其中表示第類訓(xùn)練樣本組成的列向量特征，i從1到n，n為自然數(shù)，然后將矩陣的列進(jìn)行規(guī)范化計(jì)算并得到范數(shù)；其次使用PCA方法先對(duì)字典進(jìn)行降維處理；最后通過(guò)公式計(jì)算投影矩陣P，即。

9.根據(jù)權(quán)利要求8所述的基于yolov3的行人檢測(cè)及步態(tài)識(shí)別的方法，其特征在于：將所有測(cè)試樣本的SEF-GHEI能量圖以列的方式展開(kāi)成列向量，并進(jìn)行列規(guī)范化；使用表示采用PCA方法進(jìn)行降維后的測(cè)試樣本；根據(jù)投影矩陣P的值，計(jì)算降維后的測(cè)試樣本在投影矩陣P上的投影值x，即：x=Py；并通過(guò)計(jì)算正規(guī)化殘差，即：；最后將歸類于殘差最小的一個(gè)類：并輸出識(shí)別結(jié)果。