[發明專利]一種基于星形生成對抗網絡的步態圖像合成方法

有效

• 申請號: 202010780459.3
• 申請日: 2020-08-05
• 公開（公告）號: CN112115771B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 翁健;陳欣
• 申請（專利權）人: 暨南大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 詹麗紅

本發明公開了一種基于星形生成對抗網絡的步態圖像合成方法，屬于計算機視覺與模式識別領域。首先，將不同干擾類型下的步態假樣本視為不同的域，訓練星形生成對抗網絡，進而自動生成不同干擾類型下的步態假樣本；再將自動生成的步態假樣本與真實樣本進行基于預計最大平均差的分布對齊，使得步態假樣本和真實樣本的分布更加有效地融合在一起，最后，將對齊后的步態假樣本和真實樣本合并到一起以實現步態數據庫中樣本的擴充。本發明充分利用現有的圖像數據合成不同干擾類型下的步態假樣本，降低了人工采集不同干擾類型下的步態假樣本的成本，解決了難以收集到同一個目標在所有干擾類型下樣本的難題，對步態識別的產業化進程起到重要的推動作用。

技術領域

本發明涉及計算機視覺與模式識別技術領域，具體涉及一種基于星形生成對抗網絡的步態圖像合成方法。

背景技術

由于步態識別精度極易受到服飾、攜帶物等干擾因素的影響，當前的步態識別研究仍然主要停留在實驗室研究階段，尚未在實際場景中得到廣泛推廣與應用。近年來，深度學習的迅速發展使圖像識別領域的性能上升到了新的高度，在步態識別領域也表現出了遠遠超出傳統步態識別方法的效果，對步態識別的產業化進程起到了重要的推動作用。但現有的步態數據庫樣本數量的限制使深度學習并沒有發揮出與圖像識別領域相當的優勢。并且，步態識別精度易受到各種干擾因素的影響，在基于深度學習的步態識別方法中，若測試階段的步態樣本受到訓練過程中未出現的干擾因素的干擾，則識別結果極易出現錯誤，而在現實場景中收集到每個目標的、包含所有類型的干擾因素的步態訓練樣本是難以實現的。因此，如何根據現有的步態訓練數據合成更多干擾類型下的步態訓練樣本，為基于深度學習的步態識別方法提供數據支持，是提高步態識別在實際場景中的實用性和可行性的重要途徑。

目前已有的基于生成對抗網絡的步態識別方法主要通過自動合成不同視角下的步態能量圖實現步態樣本擴充，該類方法中，每兩個視角之間的步態能量圖轉換均需要訓練一個單獨的生成對抗網絡，而由于目前步態樣本匱乏，步態能量圖對步態樣本質量要求高，使得生成對抗網絡的性能因訓練數據不足受到限制，進而限制了對步態樣本的擴充能力。

發明內容

本發明的目的是為了解決現有基于深度學習的步態識別方法因樣本數量不足、樣本設計干擾類型不足導致的在實際應用場景下識別精度大幅度下降的缺陷，提供一種基于星形生成對抗網絡的步態圖像合成方法。

本發明的目的可以通過采取如下技術方案達到：

一種基于星形生成對抗網絡的步態圖像合成方法，所述的步態圖像合成方法包括以下步驟：

S1、使用卷積層、BN層、Relu層和池化層構建基于編碼-解碼結構的圖像生成器，用于生成不同類型的步態圖像；

S2、使用卷積層、BN層、Relu層和池化層構建圖像判別器，用于對合成的假步態圖像與真實步態圖像進行判別，并對合成的假步態圖像進行視角分類；

S3、基于生成器輸出的假步態圖像設計損失函數其中表示對抗損失函數、表示域分類損失函數，表示重構損失函數，三類損失函數的計算方法如下：

假設真實步態樣本為X，生成器生成的步態假樣本為Y，則對抗損失函數的表達式為：

其中log D(X)表示將真實步態樣本X輸入判別器D后得到的輸出值的對數值，表示log D(X)在真實步態樣本X的整體分布上的均值，G(X,v_t)表示生成器合成的在目標域為v_t時的步態假樣本，D(G(X,v_t))表示將假樣本G(X,v_t)輸入判別器D后得到的輸出值，當X取不同的步態樣本時，會生成在目標域v_t下的不同的假步態圖像G(X,v_t)，表示當X取不同的步態樣本、v_t為不同的目標域時得到的所有log(1-D(G(X,v_t)))的均值；