CN108520216B - 一种基于步态图像的身份识别方法 - Google Patents
一种基于步态图像的身份识别方法 Download PDFInfo
- Publication number
- CN108520216B CN108520216B CN201810263768.6A CN201810263768A CN108520216B CN 108520216 B CN108520216 B CN 108520216B CN 201810263768 A CN201810263768 A CN 201810263768A CN 108520216 B CN108520216 B CN 108520216B
- Authority
- CN
- China
- Prior art keywords
- gait
- feature
- value
- learning network
- individual
- 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.)
- Expired - Fee Related
Links
- 230000005021 gait Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000000737 periodic effect Effects 0.000 claims abstract description 11
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000011410 subtraction method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Psychiatry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于步态图像的身份识别方法，包括训练步骤，对步态图像序列进行行人检测和图像预处理并给相应的步态图像赋予标签值，再对其使用由卷积受限玻尔兹曼机和全连接层组成的特征学习网络进行训练，生成具有身份识别的特征学习网络模型和特征中心值模型；识别步骤，对待识别的步态图像进行行人检测和图像预处理，由归一化的自相关函数计算步态周期性以获取一个周期的步态序列，通过深度学习网络和投票算法对行人进行身份进行识别。本发明以周期性的步态图像序列作为输入，保留了完整的步态信息；采用深度学习网络进行特征学习，获取更多具有区分度的步态特征以提高识别率；通过深度学习网络和投票算法并用增强了识别的准确率和鲁棒性。
Description
技术领域
本发明涉及身份识别技术领域，具体涉及一种基于步态图像的身份识别方法。
背景技术
公共安全关系到社会稳定、经济发展等重大问题，长期以来一直备受人们的关注。其中重要的一环是进行快速、准确地身份认证以保障公共安全。因此，相关的身份识别技术也应运而生。
目前，常用的基于生物体特征的身份识别技术有虹膜识别、人脸识别和指纹识别等，这些身份识别技术给日常的生活带来了极大的便利和安全，如手机支付、人脸考勤等。虽然这些身份识别技术给人们带来了诸多便利，但是其也容易受到距离、图像分辨率、光照等因素的影响，导致识别率的下降。例如，基于指纹的身份识别要求手指接触检测器；基于人脸的身份识别需要清晰的面部图像。由于目前常用的身份识别技术存在的这些不足，而基于步态的身份识别技术可在远距离、低图像分辨率的情况下进行身份识别，其正在成为新兴的身份识别特征。
步态是走路时人体下肢的姿态，其在医学疾病诊断和运动训练中有很好地应用。同时，根据已有的医学和心理学研究发现不同人的走路方式具有差异性，据此可以通过步态进行身份验证。与其他的身份识别方法相比，基于步态的身份识别最大的优势是可以远距离识别。
基于步态的身份识别方法的主要步骤包括：人体检测、图像预处理、特征提取和特征分类。人体检测主要是为了从环境中检测出人体并将其和背景分离，目前常用的方法包括背景减除法、光流法和帧间差分法。图像预处理主要是为了减少衣服颜色、环境噪声、光照等外界因素对识别的影响，常用的方法有图像二值化、图像的膨胀、腐蚀、开闭操作等。特征提取主要是对获得的人体步态提取出具有区分度的特征以便更好地完成身份识别，常用的方法包括基于模型的方法和基于非模型的方法。
其中，基于模型的方法主要通过2D或3D建立人体运动模型，此类方法可以很好地解决多视角、衣着等问题，但是计算复杂度高并且需要有多个视频采集设备的环境；基于非模型的方法主要基于步态序列图像或步态能量图提取特征，例如，步态的周期特征、人体轮廓特征等。此类方法计算量小、效率高。由于利用人体外形轮廓进行识别，所以识别的准确率受外界因素影响较大。同时，这两种方法都依赖于人工特征工程。
近些年，深度学习的快速发展打破了许多传统方法的瓶颈，步态识别也因其得到了发展。基于深度学习的步态识别方法主要利用卷积神经网络对步态图像进行处理并完成识别。在这些方法中主要利用步态能量图作为输入并构建多个卷积层和池化层进行特征提取，这就导致模型参数复杂、训练时间长和效率低下等问题。同时，由于不同于物体分类，身份识别属于精准识别，需要更多有效的、精确的特征。
基于步态图像的身份识别能够解决目前常用身份识别方法的一些弊端，但现有的步态识别方法存在需要人工设计特征、训练时间长、识别率低、鲁棒性差等问题。
发明内容
本发明的发明目的在于：针对现有基于生物体特征的身份识别方法中的不足，同时，作为现有身份识别技术的一个补充，本发明提供了一种基于步态的身份识别方法，采用步态视频序列作为输入，对其进行适当处理后通过由卷积受限玻尔兹曼机和全连接层组成的特征学习网络进行特征学习，最后采用投票算法判定出行人的身份。该方法包括训练阶段和识别阶段，具体步骤如下：
S1：训练阶段，通过对有标记的人体步态序列进行行人检测和图像预处理，使用一个周期的人体步态序列对特征学习网络进行模型训练，直至收敛；
S2：识别阶段，对待识别的人体步态序列进行行人检测和图像预处理，基于步骤S1中训练好的特征学习网络模型对待识别的步态序列进行身份相似性判定，并根据相似性判定的结果进行投票统计，将出现次数最多的识别结果作为待识别步态的最终识别结果。
其中，所属步骤S1包括如下步骤：
S11：采集步态视频图像，得到步态视频图像序列；并对序列的各图像进行背景去除处理，得到二值化的前景图像序列，即首先进行图像背景建模，采用背景减除法去除步态视频图像序列中各图像的背景，得到二值化的前景图像序列；
S12：对二值化的前景图像序列进行形态学处理，再根据行人检测算法检测出行人位置并截取出步态图像，对截取出的各步态图像进行尺寸归一化处理，得到标准步态图像序列；
S13：通过使用归一化的自相关函数计算出步态周期后取一个周期的步态图像序列用于训练特征学习网络；同时，对不同个体的步态图像赋予不同的标签值；
S14：采用卷积受限玻尔兹曼机和全连接层组成特征学习网络，对周期步态图像序列的各图像进行步态特征学习；
S15：将特征学习网络预测的结果和真实的结果进行对比，计算误差，并据此误差利用方向传播算法优化所述特征学习网络的网络参数；
S16：重复S14至S15，直至上述特征学习网络误差小于预设值或达到最大迭代次数，得到训练好的特征学习网络模型。
S17：计算由卷积受限玻尔兹曼机产生的步态特征的中心值生成特征中心值模型供识别阶段使用。特征中心值的计算如下：首先计算每个个体不同特征图的中心值：
其中，
分别为第k个个体的第i张特征图的中心值的横纵坐标值，
分别表示第k个个体由卷积受限玻尔兹曼机生成的特征图中像素值为1的点的横纵坐标值，i表示第i张特征图，j表示在第i张特征图中第j个像素值为1的点，N为像素值为1的点的总数。
得到每一张特征图的中心值之后，再计算所有特征中心值的中心值：
其中，
分别为第k个个体的特征中心值的横纵坐标，
分别为第k个个体的第i张特征图的中心值的横纵坐标，M为第k个个体特征图的数目。
识别阶段S2的步骤如下：
S21：采集待识别个体的步态视频图像，得到待识别的步态视频图像序列；并对序列的各图像进行背景去除处理，得到待识别的二值化的前景图像序列；
S22：对二值化的前景图像序列进行形态学处理，再根据行人检测算法检测出行人位置并截取出步态图像，对截取出的各步态图像进行尺寸归一化处理，得到待识别的标准步态图像序列；
S23：通过使用归一化的自相关函数计算步态周期，取一个周期的步态图像序列，得到待识别的周期步态图像序列；
S24：将待识别的周期步态图像序列输入训练好的特征学习网络模型进行特征学习并输出预测结果；
S25：根据S24中的预测结果，计算各标签值出现的概率值并结合特征中心值的方法得出最终的识别结果。具体的，待识别个体不同特征图的特征中心值并计算其与特征中心值模型中每个个体的不同特征中心值的距离。即：
其中，ltest,k表示待识别个体test与特征中心值模型中第k个个体特征图的中心值的距离，d()为距离函数，
为待识别个体的中心值坐标，
为特征中心值模型中第k个个体的中心值的坐标。同时，将投票层的结果作为加权系数乘以距离的倒数以得到最终的识别结果，即最终待识别个体与第k个个体相似性s为：
s＝pk/ltest,k
其中，pk表示特征中心值模型中第k个个体出现的概率值。
综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明构建了基于卷积受限玻尔兹曼机和全连接层的特征学习网络及投票算法。在训练阶段，通过使用步态视频序列对该特征学习网络进行训练，优化相关的网络参数，使得该特征学习网络具备步态特征学习的能力。在测试阶段，对待识别的步态序列使用已训练的特征学习网络进行步态特征学习，并使用投票算法对身份进行最终的判定。与现有使用步态能量图作为神经网络输入的方法不同，本发明直接使用步态视频序列作为输入，最大程度地保留了不同步态下的特征，并且只使用了少量的网络层以提高训练和识别效率。同时，提出投票算法进一步提高了识别率和鲁棒性。
附图说明
图1：本发明总体框架示意图。
图2：本发明特征中心值计算示意图。
图3：本发明投票算法流程图。
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，本发明的基于步态图像的身份识别方法主要包括两个阶段，其一为训练阶段主要训练优化特征学习网络，生成身份识别模型供识别阶段使用；其二为利用训练阶段得到的特征学习网络模型进行身份识别并通过投票算法统计预测结果从而识别出身份。其各阶段的具体实现过程如下：
S1：训练阶段主要训练优化特征学习网络，生成身份识别模型供识别阶段使用。
S11：采集步态视频图像及背景建模，采用背景减除法去除背景获得二值化的前景图像。本实施例中，优选高斯背景建模初始化背景，将含有行人的前景图像与背景图像做差值处理获得二值化的前景图像，得到去除背景后的步态图像序列。
S12：对去除背景后的步态图像序列进行形态学处理，再根据行人检测算法检测出行人位置并截取步态图像，再将截取出的步态图像归一化成长宽相等的标准步态图像。因为通过前景图像和背景图像的差分操作获得的人体步态图像中含有一些噪声和空洞，为了减少这些噪声的干扰从而获得较高的识别率，因此采用形态学中的腐蚀和膨胀操作去除噪声。同时，为了保持图像的纵横比在放缩的过程中保持不变，将图像调整为方形，即图像的长与宽相等，再进行图像的适当放缩。
S13：将S12中获得的人体步态序列通过归一化的自相关函数计算步态周期，使用一个周期的人体步态序列供特征学习网络进行特征学习，从而减少计算的复杂度和冗余特征。同时，根据不同的个体赋予不同标签值。例如，此幅步态图像属于第一个人则赋予标签值为1，若属于第二个人则赋予标签值为2。同时，根据标签值对应的个体姓名建立相应的映射表。例如标签值1对应的个体姓名为“张三”，标签值2对应的个体姓名为“李四”，以此建立标签值和个体姓名的映射表。
S14：将S13中的步态序列和相应的标签值输入由卷积受限玻尔兹曼机和全连接层组成的特征学习网络进行特征学习。卷积受限玻尔兹曼机由可见层V和隐藏层H构成。可见层包含一个NV×NV矩阵单元和一个共同的偏置c。由于含有K个不同的卷积核NW×NW，所以隐藏层包含K个组，每个组内有一个NH×NH的矩阵单元和一个偏置bk。同时，采用池化层P对卷积层的数据进行压缩并保持不变性。例如，一个典型的网络参数设置为：第一层卷积层有16个9×9的卷积核，步长为1；第二层池化层选取2×2的区域做不重叠的最大池化。一张大小为64×64的步态图像经过卷积受限玻尔兹曼机后的大小为28×28。通过卷积受限玻尔兹曼机对步态序列进行特征提取后采用的全连接层对这些步态特征进行再次训练并使用softmax产生预测标签。
S15：将S14获得的预测标签与S13中真实的标签值进行对比，计算出误差。根据此误差利用反向传播算法优化S14中的特征学习网络。
S16：重复S14至S15，直至上述特征学习网络误差小于预设值或达到最大迭代次数，得到训练好的特征学习网络模型。
S17：计算由卷积受限玻尔兹曼机产生的每个个体不同特征的中心值，生成特征中心值模型以供识别阶段使用。特征中心值的计算如下：首先计算每个个体不同特征图的中心值：
其中，
分别为第k个个体的第i张特征图的中心值的横纵坐标值，
分别表示第k个个体由卷积受限玻尔兹曼机生成的特征图中像素值为1的点的横纵坐标值，i表示第i张特征图，j表示在第i张特征图中第j个像素值为1的点，N为像素值为1的点的总数。
例如，一张步态特征图像经过4个不同的卷积核生成4张不同的步态特征图，那么就有4个特征中心值。特别地，特征的中心值是特征横纵坐标的平均值。中心值的计算如图2所示，假设一张步态特征图大小为4×4，其像素值为0或1，则计算像素值为1的点的横纵坐标的平均值。图2中在(1,2)、(1,4)、(2,2)、(4,4)处像素值为1，通过分别计算这些点的横纵坐标的平均值得到特征中心值(2,3)，即在(2,3)处像素值为1，用此特征代表之前的4个像素值为1的特征。
得到每一张特征图的中心值之后，再计算所有特征中心值的中心值：
其中，
分别为第k个个体的特征中心值的横纵坐标，
分别为第k个个体的第i张特征图的中心值的横纵坐标，M为第k个个体特征图的数目。
S2：识别阶段主要利用训练阶段得到的特征学习网络模型进行身份识别并通过投票算法统计预测结果从而识别出身份。
S21：参照S11中所述方法，采集步态视频图像及背景建模，采用背景减除法去除背景获得二值化的前景图像；
S22：参照S12中所述方法，对去除背景后的步态图像序列进行形态学处理，再根据行人检测算法检测出行人位置并截取，再将截取出的步态图像归一化成长宽相等的标准步态图像；
S23：参照S13中所述方法，对人体步态序列通过归一化的自相关函数计算步态周期，对同一个个体只采用一个周期的步态序列。
S24：将待识别的步态序列输入给S1中训练好的特征学习网络模型进行身份识别，输出预测结果。
S25：投票层统计S24输出的预测结果并计算各标签值出现的概率值。整个投票算法的流程图如图3所示，首先统计投票层中每个标签值出现的概率pj，再利用此概率值与特征中心值相结合的方法进行身份判定。具体的，为了获取更多有效的特征和减少时间代价，本发明采用了计算卷积受限玻尔兹曼机输出的特征中心值的方法。本发明计算待识别个体不同特征图的特征中心值并计算其与特征中心值模型中每个个体的不同特征中心值的距离。即：
其中，ltest,k表示待识别个体test与特征中心值模型中第k个个体特征图的中心值的距离，d()表示两点间的距离，
为待识别个体的中心值坐标，
为特征中心值模型中第k个个体的中心值的坐标。同时，结合概率pk，将其作为加权系数乘以对应个体的距离倒数作为最终的相似性。例如，假设第k个个体出现的概率为pk，待识别个体的中心值与特征中心值模型中第k个个体的距离倒数为1/l，则最终待识别个体与第j个个体的相似性为pk/l。根据最大相似性得出所对应的标签值并将其作为最终的识别结果。
综上，本实施例构建了基于卷积受限玻尔兹曼机、全连接层和投票算法的步态身份识别系统。通过使用步态图像序列对特征学习网络进行训练和优化，使得整个网络具有步态身份识别能力。
在训练时，输入采用步态序列，最大程度地保留了不同步态信息；同时相比于现有的基于深度学习的方法，本发明采用卷积受限玻尔兹曼机和2层全连接层，网络层数少；相比于使用K近邻、支持向量机、朴素贝叶斯等分类器的步态识别方法，本发明采用特征中心值的方法降低了计算复杂度，并且没有繁琐的训练过程。
在识别过程中，利用训练优化的网络模型对待识别的步态序列进行身份判定。同时，提出的投票算法结合了最大投票和特征中心值距离相似性判断的方法，将最大投票产生的概率值作为加权系数乘以距离的倒数，提高了识别率和鲁棒性。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发
明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (2)
1.一种基于步态图像的身份识别方法，其特征在于，包括下列步骤：
S1：训练阶段，采用卷积受限玻尔兹曼机和全连接层组成特征学习网络，并通过对有标签值的人体步态序列使用特征学习网络进行训练，生成具有身份识别的特征学习网络模型供识别阶段使用：
S11：采集步态视频图像，得到步态视频图像序列；并对序列的各图像进行背景去除处理，得到二值化的前景图像序列；
S12：对二值化的前景图像序列进行形态学处理，再根据行人检测算法检测出行人位置并截取出步态图像，对截取出的各步态图像进行尺寸归一化处理，得到标准步态图像序列；
S13：通过使用归一化的自相关函数计算步态周期，取一个周期的步态图像序列用于训练特征学习网络；同时，对不同个体的步态图像赋予不同的标签值；
S14：基于特征学习网络，对周期步态图像序列的各图像进行步态特征学习；
S15：将特征学习网络预测的结果和真实的结果进行对比，计算误差，并据此误差利用方向传播算法优化所述特征学习网络的网络参数；
S16：重复S14至S15，直至上述特征学习网络误差小于预设值或达到最大迭代次数，得到训练好的特征学习网络模型；
S17：计算由卷积受限玻尔兹曼机产生的步态特征的中心值生成特征中心值模型供识别阶段使用，其中特征中心值的计算方式为：
计算每个个体不同特征图的中心值：
其中，
分别为第k个个体的第i张特征图的中心值的横纵坐标值，
分别表示第k个个体由卷积受限玻尔兹曼机生成的特征图中像素值为1的点的横纵坐标值，i表示第i张特征图，j表示在第i张特征图中第j个像素值为1的点，N为像素值为1的点的总数；
计算所有特征中心值的中心值：
其中，
分别为第k个个体的特征中心值的横纵坐标，
分别为第k个个体的第i张特征图的中心值的横纵坐标，M为第k个个体特征图的数目；
S2：识别阶段，对待识别的人体步态序列进行行人检测和图像预处理，利用S1中训练好的特征学习网络模型对待识别的步态序列进行身份判定，并根据预测的结果进行投票统计，将出现次数最多的识别结果作为待识别步态的最终识别结果。
2.如权利要求1所述的方法，其特征在于，所述识别阶段S2的步骤如下：
S21：采集待识别个体的步态视频图像，得到待识别的步态视频图像序列；并对序列的各图像进行背景去除处理，得到待识别的二值化的前景图像序列；
S22：对二值化的前景图像序列进行形态学处理，再根据行人检测算法检测出行人位置并截取出步态图像，对截取出的各步态图像进行尺寸归一化处理，得到待识别的标准步态图像序列；
S23：通过使用归一化的自相关函数计算步态周期，取一个周期的步态图像序列，得到待识别的周期步态图像序列；
S24：将待识别的周期步态图像序列输入训练好的特征学习网络模型进行特征学习并输出预测结果；
S25：根据S24中的预测结果，计算各标签值出现的概率值并结合特征中心值的方法得出最终的识别结果：
计算特征中心值模型中第k个个体出现的概率值pk；
计算待识别个体test不同特征图的特征中心值模型中第k个个体特征图的中心值的距离ltest,k：
其中d()为距离函数，
为待识别个体的中心值坐标，
为特征中心值模型中第k个个体的中心值的坐标；
计算待识别个体与第k个个体相似性s：s＝pk/ltest,k，根据最大相似性s得出所对应的标签值并将其作为最终的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810263768.6A CN108520216B (zh) | 2018-03-28 | 2018-03-28 | 一种基于步态图像的身份识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810263768.6A CN108520216B (zh) | 2018-03-28 | 2018-03-28 | 一种基于步态图像的身份识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108520216A CN108520216A (zh) | 2018-09-11 |
| CN108520216B true CN108520216B (zh) | 2022-05-03 |
Family
ID=63434463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810263768.6A Expired - Fee Related CN108520216B (zh) | 2018-03-28 | 2018-03-28 | 一种基于步态图像的身份识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108520216B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359544B (zh) * | 2018-09-19 | 2022-01-21 | 武汉烽火众智数字技术有限责任公司 | 一种人像检索方法及装置 |
| CN111144171A (zh) * | 2018-11-02 | 2020-05-12 | 银河水滴科技（北京）有限公司 | 一种异常人群信息识别方法、系统及存储介质 |
| CN109858351B (zh) * | 2018-12-26 | 2021-05-14 | 中南大学 | 一种基于层级实时记忆的步态识别方法 |
| CN109815874A (zh) * | 2019-01-17 | 2019-05-28 | 苏州科达科技股份有限公司 | 一种人员身份识别方法、装置、设备及可读存储介质 |
| CN109902646A (zh) * | 2019-03-08 | 2019-06-18 | 中南大学 | 一种基于长短时记忆网络的步态识别方法 |
| CN110728230B (zh) * | 2019-10-10 | 2023-08-22 | 江南大学 | 基于卷积受限玻尔兹曼机的信号调制方式的识别方法 |
| CN110807401B (zh) * | 2019-10-29 | 2024-08-13 | 腾讯科技（深圳）有限公司 | 用户身份识别、多用户打卡方法、装置、存储介质及设备 |
| CN110852305A (zh) * | 2019-11-18 | 2020-02-28 | 哈尔滨工程大学 | 一种人体步态特征提取方法 |
| CN110991398A (zh) * | 2019-12-18 | 2020-04-10 | 长沙融创智胜电子科技有限公司 | 一种基于改进步态能量图的步态识别方法及系统 |
| CN111160294B (zh) * | 2019-12-31 | 2022-03-04 | 西安理工大学 | 基于图卷积网络的步态识别方法 |
| CN111507977B (zh) * | 2020-04-28 | 2024-04-02 | 同济大学 | 一种图像中钡剂信息提取方法 |
| CN111626242A (zh) * | 2020-05-30 | 2020-09-04 | 哈尔滨理工大学 | 一种基于深度学习的步态识别系统 |
| CN112131950B (zh) * | 2020-08-26 | 2024-05-07 | 浙江工业大学 | 一种基于Android手机的步态识别方法 |
| CN112329716A (zh) * | 2020-11-26 | 2021-02-05 | 重庆能源职业学院 | 一种基于步态特征的行人年龄段识别方法 |
| CN112613430B (zh) * | 2020-12-28 | 2024-02-13 | 杭州电子科技大学 | 一种基于深度迁移学习的步态识别方法 |
| CN113591552A (zh) * | 2021-06-18 | 2021-11-02 | 新绎健康科技有限公司 | 一种基于步态加速度数据进行身份识别的方法及系统 |
| CN113674221A (zh) * | 2021-07-29 | 2021-11-19 | 浙江大华技术股份有限公司 | 对象计数方法、装置、计算机设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101558996A (zh) * | 2009-05-15 | 2009-10-21 | 天津大学 | 基于人体运动结构正投影三维重建的步态识别方法 |
| CN107212890A (zh) * | 2017-05-27 | 2017-09-29 | 中南大学 | 一种基于步态信息的运动识别和疲劳检测方法及系统 |
| CN107292250A (zh) * | 2017-05-31 | 2017-10-24 | 西安科技大学 | 一种基于深度神经网络的步态识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7212651B2 (en) * | 2003-06-17 | 2007-05-01 | Mitsubishi Electric Research Laboratories, Inc. | Detecting pedestrians using patterns of motion and appearance in videos |
| KR102387378B1 (ko) * | 2014-10-07 | 2022-04-15 | 삼성전자주식회사 | 보행 동작 인식을 위한 장치 및 방법 |
| US20180082304A1 (en) * | 2016-09-21 | 2018-03-22 | PINN Technologies | System for user identification and authentication |
-
2018
- 2018-03-28 CN CN201810263768.6A patent/CN108520216B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101558996A (zh) * | 2009-05-15 | 2009-10-21 | 天津大学 | 基于人体运动结构正投影三维重建的步态识别方法 |
| CN107212890A (zh) * | 2017-05-27 | 2017-09-29 | 中南大学 | 一种基于步态信息的运动识别和疲劳检测方法及系统 |
| CN107292250A (zh) * | 2017-05-31 | 2017-10-24 | 西安科技大学 | 一种基于深度神经网络的步态识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Incremental Learning for Video-Based Gait Recognition With LBP Flow;Maodi Hu 等;《IEEE Transactions on Cybernetics》;20120605;第43卷(第1期);77-88 * |
| Multi-view Gait Recognition Based on Motion Regression using Multilayer Perceptron;Worapan Kusakunniran 等;《2010 20th International Conference on Pattern Recognition》;20101007;2186-2189 * |
| 基于深度卷积限制玻尔兹曼机的步态识别;周兰;《计算机工程与设计》;20180131;第39卷(第1期);244-248，正文1.2节，2.3.3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108520216A (zh) | 2018-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520216B (zh) | 一种基于步态图像的身份识别方法 | |
| CN110084156B (zh) | 一种步态特征提取方法及基于步态特征的行人身份识别方法 | |
| CN107194341B (zh) | Maxout多卷积神经网络融合人脸识别方法和系统 | |
| CN106529468B (zh) | 一种基于卷积神经网络的手指静脉识别方法及系统 | |
| CN102419819B (zh) | 人脸图像识别方法和系统 | |
| Dagnes et al. | Occlusion detection and restoration techniques for 3D face recognition: a literature review | |
| CN109190566B (zh) | 一种融合局部编码与cnn模型手指静脉识别方法 | |
| CN105718889B (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
| CN105825183B (zh) | 基于部分遮挡图像的人脸表情识别方法 | |
| CN111027464B (zh) | 对卷积神经网络和序特征编码联合优化的虹膜识别方法 | |
| CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
| CN108921019A (zh) | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 | |
| CN113516005B (zh) | 一种基于深度学习和姿态估计的舞蹈动作评价系统 | |
| CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
| CN112464730B (zh) | 一种基于域无关前景特征学习的行人再识别方法 | |
| CN110472495B (zh) | 一种基于图形推理全局特征的深度学习人脸识别方法 | |
| CN111985332B (zh) | 一种基于深度学习的改进损失函数的步态识别方法 | |
| CN111639580A (zh) | 一种结合特征分离模型和视角转换模型的步态识别方法 | |
| CN114429646A (zh) | 基于深度自注意力变换网络的步态识别方法 | |
| CN110222568A (zh) | 一种基于时空图的跨视角步态识别方法 | |
| CN106407975A (zh) | 基于空间‑光谱结构约束的多尺度分层目标检测方法 | |
| CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
| CN114360058B (zh) | 一种基于行走视角预测的跨视角步态识别方法 | |
| Liu et al. | A novel high-resolution fingerprint representation method | |
| CN112613430B (zh) | 一种基于深度迁移学习的步态识别方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220503 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |