CN110659586B - 一种基于身份保持循环式生成式对抗网络的步态识别方法 - Google Patents

一种基于身份保持循环式生成式对抗网络的步态识别方法 Download PDF

Info

Publication number
CN110659586B
CN110659586B CN201910820059.8A CN201910820059A CN110659586B CN 110659586 B CN110659586 B CN 110659586B CN 201910820059 A CN201910820059 A CN 201910820059A CN 110659586 B CN110659586 B CN 110659586B
Authority
CN
China
Prior art keywords
gait
domain
target
image
identity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910820059.8A
Other languages
English (en)
Other versions
CN110659586A (zh
Inventor
刘欣刚
汪卫彬
李辰琦
孙睿成
代成
王文涵
钟鲁豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910820059.8A priority Critical patent/CN110659586B/zh
Publication of CN110659586A publication Critical patent/CN110659586A/zh
Application granted granted Critical
Publication of CN110659586B publication Critical patent/CN110659586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

Abstract

本发明公开了一种基于身份保持循环式生成式对抗网络的步态识别方法，包括如下步骤：利用高斯背景建模方法得到步态前景得到步态能量图；通过身份保持循环式生成式对抗网络，实现步态图像的状态转换；提取目标步态视角的步态能量图的特征向量，进行步态识别处理。本发明基于身份保持循环式生成式对抗网络的步态识别方法，可以实现对步态图像转化过程的更为细致更为准确的控制，以解决步态识别中受测者状态与数据库状态不匹配的问题，可以很大程度上扩展提高步态识别的准确率以及其应用范围。

Description

一种基于身份保持循环式生成式对抗网络的步态识别方法
技术领域
本发明属于步态识别技术领域，具体涉及基于身份保持循环式生成式对抗网络的针对跨视角的步态图像识别方法。
背景技术
人身份识别是信息社会中安全问题的核心要素。传统的身份识别方式诸如身份证、验证码、智能卡片等识别手段，存在携带麻烦、容易丢失、易于伪造等特点。而基于生物特征的身份识别，可以很大程度上避免上述问题。而目前用于身份识别的有人脸、指纹、声纹等生物特征，而步态特征几乎是唯一可在远距离下仍有效果的识别方法，同时，步态特征还具有非侵入性、难以伪装、有效信息采集率高等特点，这使得步态识别有这非常重要的应用价值。
然后，步态识别在实际应用过程中，还面临诸多问题。比如，跨视角问题、携带物与衣着变化问题。其中，跨视角问题是最为常见的问题，而且，角度的轻微变化，会极大的影响步态识别的准确率，这极大的限制了步态识别的应用范围。
传统的基于机器学习的方法或者现有的基于深度学习的方法，一般是将某状态步态图像统一转化为包含最多步态信息的90°正常行走状态的步态图像。然而，一般比较缺乏对步态视角的判断以做更精细化的转化分析，也缺少不同状态的针对性转化。由于不同角度的步态图像，其差异非常明显，传统的转化方法，一般生成能力较弱，不能较好的实现步态图像的跨视角转化。因此，需要新的方法来解决更精细的步态图像转化问题。
发明内容
本发明的发明目的在于：为了解决现有技术的不足，针对多步态识别中不同视角、状态的转化方法，本发明提供了一种基于身份保持循环式生成式对抗网络的步态识别方法，包括如下步骤：
步骤1：提取步态视频的视频图像的人体轮廓，获取各视频图像的步态能量图：
基于高斯背景模型对步态视频序列进行背景建模，通过背景提取得到二值化的步态前景轮廓图；
并对步态前景图轮廓图进行范围归一化处理，将图像的灰度值归一化到[0,255]的区间范围内，并利用腐蚀与膨胀处理轮廓图；再对单位步态周期的二值化步态轮廓进行平均处理，得到步态能量图；
对步态能量图的步态视角进行识别，得到各步态能量图的步态视角；
步骤2：通过身份保持循环式生成式对抗网络，对步态能量图进行步态视角转换，得到目标步态视角的步态能量图：
构建身份保持循环式生成式对抗网络并基于对应的训练集进行网络训练，通过训练好的身份保持循环式生成式对抗网络对步态能量图进行步态视角转换，得到目标步态视角的步态能量图；
所述身份保持循环式生成式对抗网络包括两个生成器GS2T与GT2S，分别用于源域向目标域的转换，以及目标域至源域的转换；其中，源域对应步态视角转换前的步态能量图
Figure GDA0003437467530000021
p 表示个体，Vs表示转换前的步态视角；目标域对应目标角度的步态能量图
Figure GDA0003437467530000022
VT表示目标步态视角；
两个相似判别器，分别为DS2T与DT2S，分别用于源域向目标域的转换和目标域向源域的转换过程中像素的相似度判别；
以及两个身份保持信息判别器
Figure GDA0003437467530000023
与
Figure GDA0003437467530000024
分别用于源域向目标域的转换和目标域向源域的转换过程中保持身份信息的不变性；
其中，在源域向目标域的转换过程中，设置的损失函数如下：
Figure GDA0003437467530000025
其中，E表示期望输出，其中源域向目标域转换过程中的判别器DPS-S2T用于计算输入图像与目标域的相似度，GS2T表示源域向目标的转换生成过程；
其中，在目标域向源域转换的过程中，设置的损失函数如下：
Figure GDA0003437467530000026
类似的，E表示期望输出，目标域向源域转换过程中判别器DPS-T2S用于计算输入图像与目标域的相似度，GT2S表示目标域向源域的转换生成过程；
身份保持判别器，也分为源域向目标域转换过程的身份保持判别器与目标域向源域转换过程的判别器；
源域向目标域转化过程的损失函数
Figure GDA0003437467530000027
的损失函数包括三个部分，分别是
Figure GDA0003437467530000028
Figure GDA0003437467530000029
和
Figure GDA00034374675300000210
用
Figure GDA00034374675300000211
表示源域正域输入图片，
Figure GDA00034374675300000212
表示经过GS2T生成过程得到的生成图片，
Figure GDA00034374675300000213
表示负域的能量图，即与目标域角度相同但个体不同的步态能量图；
则源域向目标域转换过程中的判别器损失函数如下：
Figure GDA0003437467530000031
Figure GDA0003437467530000032
用于衡量源域图像与目标域的身份相似度，其损失函数为：
Figure GDA0003437467530000033
Figure GDA0003437467530000034
用于衡量经过GS2T生成图像与输入图像的相似度，其损失函数为：
Figure GDA0003437467530000035
Figure GDA0003437467530000036
用于衡量经过GS2T输入图像与负域图像的相似度，其损失函数如下：
Figure GDA0003437467530000037
目标域向源域转化过程的损失函数
Figure GDA0003437467530000038
的损失函数包括三个部分，分别是
Figure GDA0003437467530000039
Figure GDA00034374675300000310
和
Figure GDA00034374675300000311
用
Figure GDA00034374675300000312
表示目标域正域输入图片，
Figure GDA00034374675300000313
表示经过GT2S生成过程得到的生成图片，
Figure GDA00034374675300000314
表示负域的图片，即与目标域角度相同但个体不同的图片；
则目标域向源域转换过程中的判别器损失函数如下：
Figure GDA00034374675300000315
Figure GDA00034374675300000316
用于衡量目标域图像与源域的身份相似度，其损失函数为：
Figure GDA00034374675300000317
Figure GDA00034374675300000318
用于衡量经过GT2S生成图像与输入图像的相似度，其损失函数为：
Figure GDA00034374675300000319
其中，
Figure GDA00034374675300000320
表示经过GT2S生成过程得到的生成图片；
Figure GDA00034374675300000321
用于衡量经过GT2S输入图像与负域图像的相似度，其损失函数如下：
Figure GDA00034374675300000322
其中，
Figure GDA00034374675300000323
表示负域的图片，即与目标域角度相同但个体不同的图片；
步骤3：提取目标步态视角的步态能量图的特征向量，进行步态识别处理。
进一步的，步骤3中，特征向量为：将步态视角转换过程中，得到的转换后的图像，进行向量化处理操作，并对其进行特征降维处理后，再进行步态识别处理。
其中，特征降维处理方式为PCA降维处理，从而得到更具有表征能力的低维特征。
进一步的步骤3中，采用步态识别处理具体为：
利用k近邻算法(k-nearest neighbor,KNN)，对待分类的待识别的图像，从已有数据库中分类，最终得到待分类图像的身份信息。
综上所述，由于采用了上述技术方案，本发明的有益效果是：通过身份保持循环式生成式对抗网络，实现身份信息的保留的前提下实现视角转换，进而提高跨视角步态识别的准确率。
附图说明
图1：具体实施方式中，本发明识别流程示意图。
图2：身份保持循环式生成式对抗网络原理示意图。
图3：视角转化效果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
参见图1，本发明提出的一种基于身份保持循环式生成式对抗网络的步态识别方法的具体实现过程如下：
S1：图像预处理，利用高斯混合模型进行背景建模，进而提取人体轮廓得到步态能量图 (Gait Energy Image,GEI)：
S11：对步态视频进行背景建模；
利用高斯混合模型对固定摄像头采集到的步态视频图像进行建模，检测出运动行人。
其中，用K个高斯混合模型进行背景建模的公式如下：
Figure GDA0003437467530000041
其中
Figure GDA0003437467530000042
为第i个高斯模型的群众；
Figure GDA0003437467530000043
其中，
Figure GDA0003437467530000044
Figure GDA0003437467530000051
其中，
Figure GDA0003437467530000052
表示像素点xj第i个高斯分量的高斯分布。
Figure GDA0003437467530000053
与
Figure GDA0003437467530000054
分别代表时刻t 中第i个高斯分布的均值和协方差，
Figure GDA0003437467530000055
分别表示像素点xj的RGB通道高斯分布的均值，
Figure GDA0003437467530000056
分别表示RGB通道高斯分布的方差。
高斯混合模型的训练步骤如下：
初始化：将第一帧像素中第一个高斯分布进行初始化，均值设置为当前像素的值，权重为1。其余K-1个高斯分布均值、权重均初始化为零。
混合高斯模型参数更新原则如下：
对于检测出的K个高斯混合模型中至少有一个高斯分布与像素值xt匹配，如果该像素点不能找到其中一个高斯分布的均值与该像素值偏差在2.5个标准差之内，那么该像素点即是前景，不进行参数更新操作。
如果能找到其中一个高斯分布的均值与该像素值偏差在2.5个标准差之内,则为背景，进行参数更新，更新规则如下
对于匹配的高斯分布的均值和协方差更新如下：
μj，t＝(1-p)·μj，t-1+p·xt；
∑j，t＝(l-ρ)·∑j，t-1+p·diag[(xt-μj，t)T(xt-μj，t)]；
Figure GDA0003437467530000057
其中，α表示预置的学习率，ωi,t表示时刻t混合高斯模型中第i个高斯分布的权值，其中不同的像素值对应不同的权系数估计值；
对于所有K个高斯混合模型中没有与像素值xt匹配高斯分布时，则权重最小的模型将被替换为均值为当前像素值、标准差为初识较大值、权重较小值。
权值更新完之后，各模式按照
Figure GDA0003437467530000058
按降序排列，权重大、偏差小的模式排列靠前。
从当前K个高斯混合模型中，选取前B个模式作为背景，并将其权值记为wk，k＝1,…,B，基于预设的背景所占比例T。则应该满足以下条件：
Figure GDA0003437467530000059
S12：通过S12过程，得到步态视频的前景与背景，提取前景轮廓，得到二值图像。如下
Figure GDA0003437467530000061
S13：将得到的轮廓图，从彩色空间转换到灰度空间，本具体实施方式中，转换公式为；
Igrey＝Ired*0.299+Igreen*0.587+Iblue*0.114
其中，Igrey代表转换之后的灰度值，Ired、Igreen与Iblue分别代表原始图像的RGB值。
S14：对二值图像进行相应的腐蚀膨胀操作，得到更为完整的步态轮廓图，并将该步态轮廓进行中心化处理。
S15：对单位步态周期的步态轮廓二值图进行平均处理，得到GEI图像。处理过程如下：
Figure GDA0003437467530000062
其中，Xi,j表示相应的GEI图像像素点，N表示该步态周期中共有N帧图像，
Figure GDA0003437467530000063
表示第n个图像的像素点。
S2：视角转化，利用身份保持循环式生成式对抗网络进行视角转换；
本具体实施方式中，利用身份保持循环式生成式对抗网络中循环生成的源域、目标域与负域的设定，进行视角转化。
源域即是输入图像，目标域是要转化的目标图像所在域，而负域定义的图片与目标域角度相同但个体不同。为了实现高精度的转化，本发明的身份保持循环式生成式对抗网络包含两个生成器，分别为GS2T与GT2S，其作用分别是实现源域向目标域的转换，以及目标域至源域的转换。相应的，有两个相似判别器，分别为DS2T与DT2S，其目的分别为实现源域向目标域的转换和目标域至源域的转换过程中像素的相似度。两个身份保持信息判别器
Figure GDA0003437467530000064
与
Figure GDA0003437467530000065
其作用分别为实现源域向目标域的转换和目标域先源域的转换过程中保持身份信息的不变性，其网络结构如图2所示，
视角转换的具体实现过程如下：
S21：进行源域与目标域的相似相似度转换。将个体p、视角Vs的步态图片定义为源域，该个体对应的90°或其它转换需求的角度的图片定义为目标域，即完成以下转化过程：
Figure GDA0003437467530000066
其中，
Figure GDA0003437467530000067
为个体p、角度Vs的步态图像，
Figure GDA0003437467530000068
为个体p、角度VT的步态图像，GS2T即为转化过程中的生成器。视角VT即为要转化的目标角度。
S22：为了使源域至目标域转化过程中，保证相似的相似性，设置判别器DS2T，其损失函数如下：
Figure GDA0003437467530000071
其中，E表示期望输出，DPS-S2T为判别器，其功能是衡量图片与目标域的相似度。
S23使用身份保持判别器
Figure GDA0003437467530000072
以保持在转化过程不丢失人份信息，进而有利于分类。
该判别器损失函数分为三部分，分别是
Figure GDA0003437467530000073
表示如下：
Figure GDA0003437467530000074
Figure GDA0003437467530000075
是用来衡量源域图像与目标域的身份相似度，即让两者尽可能接近，其损失函数如下：
Figure GDA0003437467530000076
Figure GDA0003437467530000077
是用来衡量经过GS2T生成图像与输入图像的相似度，即让两者尽可能远离。其损失函数如下：
Figure GDA0003437467530000078
Figure GDA0003437467530000079
是用来衡量经过GS2T 输入图像与负域图像的相似度，其损失函数如下：
Figure GDA00034374675300000710
S23：进行源域与目标域的相似相似度转换。将个体p、视角VT的步态图片定义为源域，该个体对应的源域所在的角度图片定义为目标域，即完成以下转化过程：
Figure GDA00034374675300000711
其中，
Figure GDA00034374675300000712
为个体p、角度VT的步态图像，
Figure GDA00034374675300000713
为个体p、角度VS的步态图像，GT2S即为转化过程中的生成器。视角VS即为要转化的目标角度。
S23：为了使源域至目标域转化过程中，保证相似的相似性，设置判别器DT2S，其损失函数如下：
Figure GDA00034374675300000714
其中，E表示期望输出，DPS-T2S为判别器，其功能是衡量图片与目标域的相似度。
S25：使用身份保持判别器
Figure GDA00034374675300000715
以保持在转化过程不丢失人份信息，进而有利于分类。
该判别器损失函数分为三部分，分别是
Figure GDA0003437467530000081
表示如下：
Figure GDA0003437467530000082
Figure GDA0003437467530000083
是用来衡量源域图像与目标域的身份相似度，即让两者尽可能接近，其损失函数如下：
Figure GDA0003437467530000084
Figure GDA0003437467530000085
是用来衡量经过GT2S 生成图像与输入图像的相似度，即让两者尽可能远离。其损失函数如下：
Figure GDA0003437467530000086
Figure GDA0003437467530000087
是用来衡量经过GT2S 输入图像与负域图像的相似度，其损失函数如下：
Figure GDA0003437467530000088
基于上述视角转换过程，可以得到如图3所示的视角转换的处理结果，实现身份保持的跨视角转化，进而提高步态识别的准确率。S3：特征降维，对身份保持循环式生成式对抗网络得到的转化之后的图像，进行向量化操作，利用主成分分析法进行降维以得到低维特征；
将通过身份保持循环式生成式对抗网络最终得到的统一状态的步态图像，进行向量化操作，将得到的特征向量表征该图片，利用主成分分析法对该特征向量进行降维处理，得到更具有表征能力的低维特征向量。
假设图像特征向量为vn，利用PCA对特征向量进行降维、去噪处理，得到特征向量
Figure GDA0003437467530000089
即
Figure GDA00034374675300000810
其中k为PCA降维后的特征向量。
S4：图像分类，通过k近邻算法(k-nearest neighbor,KNN)，得到分类结果。
即对经过PCA降维之后的特征，利用KNN，对待分类的待要识别的图像，从已有数据库中中分类，最终得到待分类图像的身份信息。
本发明中，通过身份保持循环式生成式对抗网络，可以在保持身份信息的前提下，实现较大角度的步态图像转化。其示意图如图2所示。该网络包含两个生成器和四个判别器。其中，两个生成器为GS2T与GT2S，其作用分别是实现源域向目标域的转换，以及目标域先源域的转换。两个像素域相似度判别器分别为DS2T与DT2S，其目的分别为实现源域向目标域的转换和目标域先源域的转换过程中像素的相似度。两个身份保持信息判别器
Figure GDA00034374675300000811
与
Figure GDA00034374675300000812
其作用分别为实现源域向目标域的转换和目标域先源域的转换过程中保持身份信息的不变性。
通过身份保持循环式生成式对抗网络的生成器和判别器的设置，即可实现身份保持的跨视角转化，进而提高步态识别的准确率。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (4)

1.一种基于身份保持循环式生成式对抗网络的步态识别方法，其特征在于，包括如下步骤：
步骤1：提取步态视频的视频图像的人体轮廓，获取各视频图像的步态能量图：
基于高斯背景模型对步态视频序列进行背景建模，通过背景提取得到二值化的步态前景轮廓图；
对步态前景轮廓图进行范围归一化处理，并利用腐蚀与膨胀处理轮廓图；再对单位步态周期的二值化步态轮廓进行平均处理，得到步态能量图；
对步态能量图的步态视角进行识别，得到各步态能量图的步态视角；
步骤2：通过身份保持循环式生成式对抗网络，对步态能量图进行步态视角转换，得到目标步态视角的步态能量图；
所述身份保持循环式生成式对抗网络包括两个生成器GS2T与GT2S，分别用于源域向目标域的转换、以及目标域向源域的转换的生成过程；其中，源域对应步态视角转换前的步态能量图
Figure FDA0003437467520000011
p表示个体，Vs表示转换前的步态视角；目标域对应目标角度的步态能量图
Figure FDA0003437467520000012
VT表示目标步态视角；
两个相似判别器，分别为DS2T与DT2S，分别用于源域向目标域的转换和目标域向源域的转换过程中像素的相似度判别；
以及两个身份保持信息判别器
Figure FDA0003437467520000013
与
Figure FDA0003437467520000014
分别用于源域向目标域的转换和目标域向源域的转换过程中保持身份信息的不变性；
其中，在源域向目标域的转换过程中，设置的损失函数如下：
Figure FDA0003437467520000015
其中，E表示期望输出，其中源域向目标域转换过程中的判别器DPS-S2T用于计算输入图像与目标域的相似度，GS2T表示源域向目标的转换生成过程；
其中，在目标域向源域转换的过程中，设置的损失函数为：
Figure FDA0003437467520000016
其中，目标域向源域转换过程中判别器DPS-T2S用于计算输入图像与目标域的相似度，GT2S表示目标域向源域的转换生成过程；
源域向目标域转化过程的损失函数
Figure FDA0003437467520000017
的损失函数包括三个部分，分别是
Figure FDA0003437467520000018
Figure FDA0003437467520000019
和
Figure FDA00034374675200000110
Figure FDA0003437467520000021
表示经过GS2T生成过程得到的生成图片，
Figure FDA0003437467520000022
表示负域的步态能量图，即与目标域角度相同但个体不同的步态能量图；
则源域向目标域转换过程中的判别器损失函数如下：
Figure FDA0003437467520000023
Figure FDA0003437467520000024
用于衡量源域图像与目标域图像的身份相似度，其损失函数为：
Figure FDA0003437467520000025
Figure FDA0003437467520000026
用于衡量经过GS2T生成图像与输入图像的相似度，其损失函数为：
Figure FDA0003437467520000027
Figure FDA0003437467520000028
用于衡量经过GS2T输入图像与负域图像的相似度，其损失函数如下：
Figure FDA0003437467520000029
目标域向源域转化过程的损失函数
Figure FDA00034374675200000210
的损失函数包括三个部分，分别是
Figure FDA00034374675200000211
Figure FDA00034374675200000212
和
Figure FDA00034374675200000213
Figure FDA00034374675200000214
表示经过GT2S生成过程得到的生成图片，则目标域向源域转换过程中的判别器损失函数为：
Figure FDA00034374675200000215
Figure FDA00034374675200000216
用于衡量目标域与源域图像的身份相似度，其损失函数为：
Figure FDA00034374675200000217
Figure FDA00034374675200000218
用于衡量经过GT2S生成图像与输入图像的相似度，其损失函数为：
Figure FDA00034374675200000219
其中，
Figure FDA00034374675200000220
表示经过GT2S生成过程得到的生成图片；
Figure FDA00034374675200000221
用于衡量经过GT2S输入图像与负域图像的相似度，其损失函数如下：
Figure FDA00034374675200000222
其中，
Figure FDA00034374675200000223
表示负域的图片，即与目标域角度相同但个体不同的图片；
步骤3：提取目标步态视角的步态能量图的特征向量，进行步态识别处理。
2.如权利要求1所述的方法，其特征在于，步骤3中，提取目标步态视角的步态能量图的特征向量具体为：对目标步态视角的步态能量图进行向量化处理操作，并对其进行特征降维处理。
3.如权利要求2所述的方法，其特征在于，步骤3中采用主成分分析法进行特征降维处理。
4.如权利要求1、2或3所述的方法，其特征在于，步骤3中，采用步态识别处理具体为：
基于待分类的待识别的图像的目标步态视角的步态能量图，利用k近邻算法，对待分类的待识别的图像，从已有数据库中分类，最终得到待分类的待识别图像的身份信息。
CN201910820059.8A 2019-08-31 2019-08-31 一种基于身份保持循环式生成式对抗网络的步态识别方法 Active CN110659586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910820059.8A CN110659586B (zh) 2019-08-31 2019-08-31 一种基于身份保持循环式生成式对抗网络的步态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910820059.8A CN110659586B (zh) 2019-08-31 2019-08-31 一种基于身份保持循环式生成式对抗网络的步态识别方法

Publications (2)

Publication Number Publication Date
CN110659586A CN110659586A (zh) 2020-01-07
CN110659586B true CN110659586B (zh) 2022-03-15

Family

ID=69037816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910820059.8A Active CN110659586B (zh) 2019-08-31 2019-08-31 一种基于身份保持循环式生成式对抗网络的步态识别方法

Country Status (1)

Country Link
CN (1) CN110659586B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310587B (zh) * 2020-01-19 2023-04-28 中国计量大学 一种基于渐弱运动轨迹图的步态特征表示和特征提取方法
CN111401303B (zh) * 2020-04-08 2022-06-14 山东大学 一种身份与视角特征分离的跨视角步态识别方法
CN111652233B (zh) * 2020-06-03 2023-04-25 哈尔滨工业大学（威海） 一种针对复杂背景的文本验证码自动识别方法
CN112001254B (zh) * 2020-07-23 2021-07-13 浙江大华技术股份有限公司 一种行人识别的方法及相关装置
CN113378714B (zh) * 2021-06-10 2024-03-19 大连海事大学 一种跨场景不变和类别信息保持的步态表示方法及系统
CN115205903B (zh) * 2022-07-27 2023-05-23 华中农业大学 一种基于身份迁移生成对抗网络的行人重识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085716A (zh) * 2017-05-24 2017-08-22 复旦大学 基于多任务生成对抗网络的跨视角步态识别方法
CN108596026A (zh) * 2018-03-16 2018-09-28 中国科学院自动化研究所 基于双流生成对抗网络的跨视角步态识别装置及训练方法
CN109726654A (zh) * 2018-12-19 2019-05-07 河海大学 一种基于生成对抗网络的步态识别方法
CN109753935A (zh) * 2019-01-09 2019-05-14 中南大学 一种基于生成对抗图像补全网络的步态识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130201316A1 (en) * 2012-01-09 2013-08-08 May Patents Ltd. System and method for server based control

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085716A (zh) * 2017-05-24 2017-08-22 复旦大学 基于多任务生成对抗网络的跨视角步态识别方法
CN108596026A (zh) * 2018-03-16 2018-09-28 中国科学院自动化研究所 基于双流生成对抗网络的跨视角步态识别装置及训练方法
CN109726654A (zh) * 2018-12-19 2019-05-07 河海大学 一种基于生成对抗网络的步态识别方法
CN109753935A (zh) * 2019-01-09 2019-05-14 中南大学 一种基于生成对抗图像补全网络的步态识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"VN-GAN: Identity-preserved Variation Normalizing GAN for Gait Recognition";Zhang P;《 2019 International Joint Conference on Neural Networks (IJCNN)》;20190719;第1-8页 *
"多视角步态识别综述";王科俊;《自动化学报》;20190531;第841-852页 *

Also Published As

Publication number Publication date
CN110659586A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN110659586B (zh) 一种基于身份保持循环式生成式对抗网络的步态识别方法
US6292575B1 (en) Real-time facial recognition and verification system
KR101185525B1 (ko) 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별
Lin Face detection in complicated backgrounds and different illumination conditions by using YCbCr color space and neural network
CN108268859A (zh) 一种基于深度学习的人脸表情识别方法
CN104732200B (zh) 一种皮肤类型和皮肤问题的识别方法
Li et al. Common feature discriminant analysis for matching infrared face images to optical face images
CN110991389A (zh) 判断目标行人在非重叠相机视角中出现的匹配方法
CN108960258A (zh) 一种基于自学习深度特征的模板匹配方法
CN111832405A (zh) 一种基于hog和深度残差网络的人脸识别方法
Kumar et al. LBP based biometrie identification using the periocular region
CN109766748A (zh) 一种基于投影变换与字典学习的行人再识别的方法
Nuraisha et al. Implementation of K-NN based on histogram at image recognition for pornography detection
Guo et al. Person re-identification by weighted integration of sparse and collaborative representation
Taha et al. Iris features extraction and recognition based on the local binary pattern technique
Huang et al. Multi-cue semi-supervised color constancy with limited training samples
Achban et al. Wrist hand vein recognition using local line binary pattern (LLBP)
Huang et al. Regularized trace ratio discriminant analysis with patch distribution feature for human gait recognition
CN115203663A (zh) 小视角远距离视频步态精准识别身份认证系统
CN110222599B (zh) 一种基于高斯映射的步态识别方法
Hamandi et al. Multi-spectral hybrid invariant moment fusion technique for face identification.
Li et al. 3D face recognition by constructing deformation invariant image
Li et al. Hand target extraction from infrared images with descriptor based on pixel temporal characteristics
Maken An elementary study on various techniques involved in face recognition systems: a review
Du et al. Gender recognition using fisherfaces and a fuzzy iterative self-organizing technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant