[發明專利]一種跨場景不變和類別信息保持的步態表示方法及系統

在審

• 申請號: 202110649824.1
• 申請日: 2021-06-10
• 公開（公告）號: CN113378714A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 王新年;金澤浩;呂柯同;張濤
• 申請（專利權）人: 大連海事大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 姜玉蓉;李洪福

本發明提供一種跨場景不變和類別信息保持的步態表示方法及系統。本發明方法，包括：S1、基于姿態估計方法，從步態序列中提取出關節點；S2、基于提取的所述關節點，不考慮頭肩點來代表步態，構建步態表示，并輸出源步態表示；S3、基于類別信息保持GAN網絡的轉換器，將所述源步態表示轉換為規定的場景表示，生成規范化的目標步態表示；S4、使用生成的所述目標步態表示和經過訓練的分類器來識別人，得到最終的識別結果。本發明設計了一種跨場景不變的步態表示方法，即PoEM，同時設計了一種可以實現類別信息保持的對抗網絡結構，兩者構成的系統可以解決跨場景條件下的步態識別困難的問題。

技術領域

本發明涉及跨場景步態識別技術領域，具體而言，尤其涉及一種跨場景不變和類別信息保持的步態表示方法及系統。

背景技術

跨場景步態識別是步態識別的一大挑戰。跨場景是指待識別的視頻序列中一個人穿著的衣服、攜帶的包或其被觀察角度不同于其在步態視頻序列注冊時的各條件。很多方法被提出來解決這個問題，其中基于GaitSet和生成對抗網絡(Generative AdversarialNetworks,GAN)的方法取得了很大的成功。 GaitSet將步態看作是一個由獨立幀組成的步態集，并從中學習到身份信息。與GaitSet不同的是，基于GAN的方法使用GAN網絡將不同場景的步態表示轉換為標準化表示，并將其輸入分類器進行識別。盡管基于GAN的方法的性能不如GaitSet，但GAN仍然是一種有前途的交叉場景識別方法。基于GAN 的方法主要包括特征提取和規范化表示生成兩個階段。GaitGANv1， GaitGANv2和VN-GAN專注于設計一個更好的生成器，他們只是使用GEI 模板作為原始特性輸入GAN網絡。PEI-MGANs提出了一種新的名為周期能量圖像(Period Energy Image,PEI)的多通道步態模板和一種多任務生成對抗網絡(MGANs)來保存更多在GaitGANs中丟失的時間信息。

PEI是GEI的變體，兩種步態表示雖然都可以很好的代表步態序列，但是，由其獲取方式決定了GEI和PEI都容易受到行人服裝變化和攜帶情況變化的影響。這會使得相同人在不同的服裝和攜帶條件下，具有不同的步態表示(GEI和PEI)。同時，現有的基于GAN網絡的步態識別方法所設計的網絡結構，沒有做到保證生成圖像在訓練過程中逐漸趨于真實的同時，還能很好的兼顧增強同類別行人特征的共性(即：減小類內差距)和拉大不同類別行人特征的差別(即：增大類間差距)的作用。

發明內容

根據上述提出跨場景條件下的步態識別困難的技術問題，本發明提供一種跨場景不變和類別信息保持的步態表示方法及系統。本發明采用的技術手段如下：

一種跨場景不變和類別信息保持的步態表示方法，包括如下步驟：

S1、基于姿態估計方法，從步態序列中提取出關節點；

S2、基于提取的所述關節點，不考慮頭肩點來代表步態，構建步態表示，并輸出源步態表示；

S3、基于類別信息保持GAN網絡的轉換器，將所述源步態表示轉換為規定的場景表示，生成規范化的目標步態表示；

S4、使用生成的所述目標步態表示和經過訓練的分類器來識別人，得到最終的識別結果。

進一步地，所述步驟S1的具體實現過程如下：

S11、提取穩定關節點：在提取的25個關節點中提取穩定關節點，排除不穩定的關節點，得到18個穩定的關節點；

S12、矯正肘關節和腕關節的位置：以頸中線為中軸，將肘、腕點水平移向中軸，由肩點與頸點之間的殘差矢量確定偏移量；該過程的數學表達式如式(1)所示：

其中，x為穩定關節點的原始位置，x'為穩定關節點的校正位置；上式中的i 分別表示右肩、右肘和右手腕的關節點，而j則表示左肩、左肘和左手腕的關節點。