CN113887315A - 一种基于多分类器协同的步态识别方法及系统 - Google Patents
一种基于多分类器协同的步态识别方法及系统 Download PDFInfo
- Publication number
- CN113887315A CN113887315A CN202111039460.1A CN202111039460A CN113887315A CN 113887315 A CN113887315 A CN 113887315A CN 202111039460 A CN202111039460 A CN 202111039460A CN 113887315 A CN113887315 A CN 113887315A
- Authority
- CN
- China
- Prior art keywords
- gait
- neural network
- value
- recognition
- classifier
- 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.)
- Granted
Links
- 230000005021 gait Effects 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 106
- 238000013135 deep learning Methods 0.000 claims description 67
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 210000003141 lower extremity Anatomy 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多分类器协同的步态识别方法及系统，包括：获取步态轮廓数据集，将步态轮廓数据分为训练集和测试集，分别提取训练集数据和测试集数据的非线性步态动力学特征；计算测试集的非线性步态动力学特征与训练集的非线性步态动力学特征之间基于非线性动力学差异的识别误差；根据计算所得的识别误差选择相应的分类器，将测试集的步态动力学特征输入到所选择的且经过训练的分类器中，实现步态识别。采用多种不同的分类识别机制应对不同步行条件下的步态数据分类识别任务，识别不易受到环境，识别率更加准确。
Description
技术领域
本发明涉及模式识别技术领域，更具体地，涉及一种基于多分类器协同的步态识别方法及系统。
背景技术
步态识别方法是一种身份识别方法，其主要作用是根据人的走路姿态来识别个人身份。现有的步态识别方法和系统，在不同的复杂环境下，其识别效果会受到不同程度的影响。
公开号为CN104299003A(公开日2015-01-21)提出一种基于相似规则高斯核函数分类器的步态识别方法，该方法包括：摄像头实时采集当前背景图像和检测目标步态原始图像序列，并采用欧式距离法等进行图像预处理，获得步态标准图像序列；运用“间隔取帧”技术将单个步态序列分割成三个步态子序列，并进行特征提取，获得步态特征向量；利用步态特征向量数据库中的特征向量进行相似规则构建；根据相似规则构造对应的高斯核函数分类器对检测目标的步态特征向量进行分类，统计并输出识别结果。
然而，该方法采用单一的高斯核函数分类器，在步行环境改变的情况下，识别率可能会有比较大的下降。
发明内容
本发明为克服上述现有技术存在的当步行环境改变时，步态识别方法的容易受到影响，识别率会有比较大的下降的缺陷，提供一种基于多分类器协同的步态识别方法及系统。
为解决上述技术问题，本发明的技术方案如下：
第一个方面，本发明提出一种基于多分类器协同的步态识别方法，包括以下步骤：
S1：获取步态轮廓数据集，将步态轮廓数据分为训练集和测试集，分别提取训练集数据和测试集数据的非线性步态动力学特征；
S2：计算测试集的非线性步态动力学特征与训练集的非线性步态动力学特征之间基于非线性动力学差异的识别误差；
S3：根据计算所得的识别误差选择相应的分类器，将测试集的步态动力学特征输入到所选择的且经过训练的分类器中，实现步态识别。
优选地，所述S1步骤，具体包括以下步骤：
S1.1：从获取的步态轮廓数据集中提取人体行走图像序列，将人体行走图像序列数据分为训练集和测试集，对训练集和测试集的人体行走图像序列进行背景减除和形态学处理，获得训练集和测试集的人体行走的二值步态轮廓图；
S1.2：基于训练集和测试集的人体行走的二值步态轮廓图，提取训练集和测试集的人体运动面积特征参数；
S1.3：建立非线性动力学模型的神经网络，将训练集和测试集的人体运动面积特征参数输入非线性动力学模型的神经网络，提取训练集和测试集的以常值神经网络权值矩阵形式保存的非线性步态动力学特征；
优选地，人体运动面积特征参数包括人体运动轮廓总面积、人体下肢轮廓总面积和两脚尖点连线对地三角形面积。
优选地，所述S2步骤，具体包括以下步骤：
S2.1：利用测试集中的非线性步态动力学特征和训练集中的非线性步态动力学特征分别构建测试集常值神经网络和训练集常值神经网络；
S2.2：计算测试集常值神经网络与训练集常值神经网络之间的矩阵差值，得到差值矩阵；
S2.3：将差值矩阵所有元素的平均值的绝对值作为测试集与训练集的识别误差度量，计算得到一组识别误差值，从中提取最小的识别误差值ε作为测试集与训练集之间基于非线性动力学差异的识别误差。
优选地，所述S3步骤中，根据计算所得的识别误差选择不同的分类器，其选择方法是：
当最小识别误差值ε取值在[0,0.1]区间时，选择包括Inception-v3深度学习神经网络、Resnet152深度学习神经网络和二层全连接网络的分类器；
当最小识别误差值ε取值在(0.1,0.5]区间时，选择包括Resnet152深度学习神经网络、长短期记忆网络和二层全连接网络的分类器；
当最小识别误差值ε取值在(0.5,1]区间时，选择包括VGG16深度学习神经网络、Resnet152深度学习神经网络、Inception-Resnet-v2深度学习神经网络和二层全连接网络的分类器；
当最小识别误差值ε取值在(1，3]区间时，选择包括VGG16深度学习神经网络、VGG19深度学习神经网络、Resnet152深度学习神经网络、Inception-Resnet-v2深度学习神经网络和五层全连接网络的分类器；
当最小识别误差值ε取值在(3，∞)区间时，输出无法识别的步态识别结果。
优选地，当最小误差值ε取值在[0，0.1]区间时，Inception-v3和Resnet152深度学习神经网络对输入的测试集的步态动力学特征进行二次特征学习，并将所得特征数据通过加权平均方式进行数值融合，其计算公式如下所示：
Q1＝a1×M1+a2×M2
其中，Q1为数值融合后的步态特征数值，a1和a2为权值，M1为Inception-v3特征数值，M2为Resnet152特征数值；
将Q1输入到二层全连接网络进行分类，实现步态识别任务。
优选地，当最小误差值ε取值在(0.1，0.5]区间时，Resnet152深度学习神经网络和长短期记忆网络串联，对输入的步态动力学特征进行二次特征学习，得到数值融合后的步态特征数值Q2，将Q2输入到二层全连接网络进行分类，实现步态识别任务。
优选地，当最小误差值ε取值在(0.5，1]区间时，VGG16深度学习神经网络、Resnet152深度学习神经网络和Inception-Resnet-v2深度学习神经网络对步态动力学特征进行二次特征学习，并将所得特征数据通过加权平均方式进行数值融合，其计算公式如下所示：
Q3＝b1×N1+b2×N2+b3×N3
其中，Q3为数值融合后的步态特征数值，b1、b2和b3为权值，N1为VGG16特征数值，N2为Resnet152网络学习特征数值，N3为Inception-Resnet-v2网络学习特征数值；
将Q3输入到二层全连接网络进行分类，实现步态识别任务。
优选地，当最小误差值ε取值在(1，3]区间时，VGG16深度学习神经网络、VGG19深度学习神经网络、Resnet152深度学习神经网络和Inception-Resnet-v2深度学习神经网络对输入的步态动力学特征进行二次特征学习，并将所得特征数据通过加权平均方式进行数值融合，其计算公式如下所示：
Q4＝c1×O1+c2×O2+c3×O3+c4×O4
其中，Q4为数值融合后的步态特征数值，c1、c2、c3和c4为权值，O1为VGG16特征数值，02为VGG19特征数值，O3为Resnet152网络学习特征数值，O4为Inception-Resnet-v2网络学习特征数值；
将Q4输入到五层全连接网络进行分类，实现步态识别任务。
第二个方面，本发明还提出一种基于多分类器协同的步态识别系统，应用于上述任一方案提出的基于多分类器协同的步态识别方法，其包括：
数据获取模块，用于获取步态轮廓数据集，将步态轮廓数据分为训练集和测试集，分别提取训练集数据和测试集数据的非线性步态动力学特征；
识别误差计算模块，用于计算测试集的非线性步态动力学特征与训练集的非线性步态动力学特征之间基于非线性动力学差异的识别误差；
步态识别模块，用于根据计算所得的识别误差选择相应的分类器，将测试集的步态动力学特征输入到所选择的且经过训练的分类器中，实现步态识别。
与现有技术相比，本发明技术方案的有益效果是：基于多分类器协同的步态识别方法及系统，采用多种不同的分类识别机制应对不同步行条件下的步态数据分类识别任务，当步行环境改变时，步态识别不易受到环境，识别率更加稳定准确，有较强的实用性和可操作性。
附图说明
图1为基于多分类器协同的步态识别方法的流程图。
图2为人体面积特征图。
图3为基于多分类器协同的步态识别系统的原理图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提出一种基于多分类器协同的步态识别方法，请参阅图1-图2，包括以下步骤：
S1：获取步态轮廓数据集，将步态轮廓数据分为训练集和测试集，分别提取训练集数据和测试集数据的非线性步态动力学特征；具体包括以下步骤：
S1.1：从获取的步态轮廓数据集中提取人体行走图像序列，将人体行走图像序列数据分为训练集和测试集，对训练集和测试集的人体行走图像序列进行背景减除和形态学处理，获得训练集和测试集的人体行走的二值步态轮廓图；本实施例中，采用CASIA-B步态数据库获取步态轮廓数据集。该数据库共包含124个人，每个人分别有11个视角(0°，18°，36°，54°，72°，90°，108°，126°，144°，162°，180°)的步态序列，每个视角下有6个正常行走步态序列、2个穿大衣行走序列和2个提包序列。其中，以每个视角下4个正常行走步态序列、1个穿大衣行走序列和1个提包序列为训练集，2个正常行走步态序列、1个穿大衣行走序列和1个提包序列为测试集。本实施例中，对训练集和测试集里每一个人的行走视频依次进行背景减除，对已经背景分离的步态图像进行形态学处理，得到二值化人体轮廓图。
S1.2：如图2所示，基于训练集和测试集的人体行走的二值步态轮廓图，提取训练集和测试集的人体运动面积特征参数；其中，人体面积特征参数包括人体运动轮廓总面积A1、人体下肢轮廓总面积A2和两脚尖点连线对地三角形面积A3；
S1.3：建立非线性动力学模型的神经网络，将训练集和测试集的人体运动面积特征参数输入非线性动力学模型的神经网络，提取训练集和测试集的以常值神经网络权值矩阵形式保存的非线性步态动力学特征；本实施例中，对面积特征参数建立其非线性动力学模型
其中x＝[A1，A2，A3]代表三个面积特征参数，p表示非线性动力学模型中的常值参数，选取的p不同，代表建立不同的非线性动力学模型。
S2：计算测试集的非线性步态动力学特征与训练集的非线性步态动力学特征之间基于非线性动力学差异的识别误差，具体包括以下步骤：
S2.1：利用测试集中的非线性步态动力学特征和训练集中的非线性步态动力学特征分别构建测试集常值神经网络和训练集常值神经网络；本实施例中，构建包括但不限于RBF的神经网络，用于逼近非线性动力学f(x；p)，并把所得结果以常值神经网络权值矩阵的形式，如[W1S1(x)，W2S2(x)，W3S3(x)]和[W1′S1′(x)，W2′S2′(x)，W3′S3′(x)]分别构建训练集的常值神经网络和测试集的常值神经网络。
其中，W1为训练集中针对人体面积特征参数A1的神经网络收敛权值，W2为训练集中针对人体面积特征参数A2特征的神经网络收敛权值，W3为训练集中针对人体面积特征参数A3特征的神经网络收敛权值，S(·)代表所用RBF神经网络中的径向基函数，WS(x)代表训练集中以常值权值网络保存的非线性动力学特征；W1′为训练集中针对人体面积特征参数A1的神经网络收敛权值，W2′为训练集中针对人体面积特征参数A2特征的神经网络收敛权值，W3′为训练集中针对人体面积特征参数A3特征的神经网络收敛权值，S′(x)代表测试集中所用RBF神经网络中的径向基函数，W′S′(x)代表测试集中以常值权值网络保存的非线性动力学特征。
S2.2：计算测试集常值神经网络与训练集常值神经网络之间的矩阵差值，得到差值矩阵；差值矩阵如下所示：
差值矩阵1：W1′S1′(x)-W1S1(x)
差值矩阵2：W2′S2′(x)-W2S2(x)
差值矩阵3：W3′S3′(x)-W3S3(x)。
S2.3：将差值矩阵所有元素平均值的绝对值作为测试集与训练集的识别误差度量，提取其中的最小识别误差值，形成一组识别误差ε1、ε2、ε3，综合误差值ε0是ε1、ε2和ε3三者的平均值。测试集与训练集逐一计算识别误差，最终选取其中最小的识别误差值ε作为测试集与训练集之间基于非线性动力学差异的识别误差。
S3：根据计算所得的识别误差选择不同的分类器，将测试集的步态动力学特征输入到不同的已训练好的分类器中，实现步态识别。
本实施例中，根据计算所得的识别误差选择不同的分类器，其选择方法是：
当最小误差值ε取值在[0，0.1]区间时，选择包括Inception-v3深度学习神经网络、Resnet152深度学习神经网络和二层全连接网络的分类器；其中，Inception-v3和Resnet152深度学习神经网络对输入的测试集的步态动力学特征进行二次特征学习，并将所得特征数据通过加权平均方式进行数值融合，其计算公式如下所示：
Q1＝a1×M1+a2×M2
其中，Q1为数值融合后的步态特征数值，a1和a2为权值，M1为Inception-v3特征数值，M2为Resnet152特征数值；
a1的取值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0；
a2的取值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0。
将Q1输入到二层全连接网络进行分类，实现步态识别任务。
当最小误差值ε取值在(0.1，0.5]区间时，选择包括Resnet152深度学习神经网络、长短期记忆网络和二层全连接网络的分类器；其中，Resnet152深度学习神经网络和长短期记忆网络串联，对输入的步态动力学特征进行二次特征学习，得到数值融合后的步态特征数值Q2，将Q2输入到二层全连接网络进行分类，实现步态识别任务。
将Q2输入到二层全连接网络进行分类，实现步态识别任务。
当最小误差值ε取值在(0.5，1]区间时，选择包括VGG16深度学习神经网络、Resnet152深度学习神经网络、Inception-Resnet-v2深度学习神经网络和二层全连接网络的分类器；其中，VGG16深度学习神经网络、Resnet152深度学习神经网络和Inception-Resnet-v2深度学习神经网络对步态动力学特征进行二次特征学习，并将所得特征数据通过加权平均方式进行数值融合，其计算公式如下所示：
Q3＝b1×N1+b2×N2+b3×N3
其中，Q3为数值融合后的步态特征数值，b1、b2和b3为权值，N1为VGG16特征数值，N2为Resnet152网络学习特征数值，N3为Inception-Resnet-v2网络学习特征数值；
b1的取值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0；
b2的取值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0；
b3的取值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0。
将Q3输入到二层全连接网络进行分类，实现步态识别任务。
当最小误差值ε取值在(1，3]区间时，选择包括VGG16深度学习神经网络、VGG19深度学习神经网络、Resnet152深度学习神经网络、Inception-Resnet-v2深度学习神经网络和五层全连接网络的分类器；其中，VGG16深度学习神经网络、VGG19深度学习神经网络、Resnet152深度学习神经网络和Inception-Resnet-v2深度学习神经网络对输入的步态动力学特征进行二次特征学习，并将所得特征数据通过加权平均方式进行数值融合，其计算公式如下所示：
Q4＝c1×O1+c2×02+c3×O3+c4×O4
其中，Q4为数值融合后的步态特征数值，c1、c2、c3和c4为权值，O1为VGG16特征数值，O2为VGG19特征数值，O3为Resnet152网络学习特征数值，O4为Inception-Resnet-v2网络学习特征数值；
c1的取值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0；
c2的取值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0；
c3的取值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0；
c4的取值为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9或1.0。
将Q4输入到五层全连接网络进行分类，实现步态识别任务。
当最小误差值ε取值在(3，∞)区间时，输出无法识别的步态识别结果。
本实施例中，在CASIA-B数据库中的识别实验，正常行走条件下的步态识别率最高可达93％，提包行走条件下的步态识别率最高可达82％，穿大衣条件下的步态识别率最高可达84％
本实施例中采用基于多分类器协同的步态识别方法，利用多种不同的分类识别机制应对不同步行条件下的步态数据分类识别任务，当步行环境改变时，步态识别不易受到环境，识别率更加稳定准确，有较强的实用性和可操作性。
实施例2
本实施例提出一种基于多分类器协同的步态识别系统，请参阅图3，其包括：
数据获取模块，用于获取步态轮廓数据集，将步态轮廓数据分为训练集和测试集，分别提取训练集数据和测试集数据的非线性步态动力学特征；
识别误差计算模块，用于计算测试集的非线性步态动力学特征与训练集的非线性步态动力学特征之间基于非线性动力学差异的识别误差；
步态识别模块，用于根据计算所得的识别误差选择相应的分类器，将测试集的步态动力学特征输入到所选择的且经过训练的分类器中，实现步态识别。
本实施例中，数据获取模块从获取的步态轮廓数据集中提取人体行走图像序列，将人体行走图像序列数据分为训练集和测试集，对训练集和测试集的人体行走图像序列进行背景减除和形态学处理，获得训练集和测试集的人体行走的二值步态轮廓图；基于训练集和测试集的人体行走的二值步态轮廓图，提取训练集和测试集的人体运动面积特征参数；其中，人体面积特征参数包括人体运动轮廓总面积A1、人体下肢轮廓总面积A2和两脚尖点连线对地三角形面积A3；建立非线性动力学模型的神经网络，将训练集和测试集的人体运动面积特征参数输入非线性动力学模型的神经网络，提取训练集和测试集的以常值神经网络权值矩阵形式保存的非线性步态动力学特征。
本实施例中，识别误差计算模块利用测试集中的非线性步态动力学特征和训练集中的非线性步态动力学特征分别构建测试集常值神经网络和训练集常值神经网络；然后计算测试集常值神经网络与训练集常值神经网络之间的矩阵差值，得到差值矩阵；最后将差值矩阵所有元素平均值的绝对值作为测试集与训练集库的识别误差度量，形成一组识别误差，提取其中的最小误差值ε。
本实施例中，当最小误差值ε取值在[0,0.1]区间时，选择包括Inception-v3深度学习神经网络、Resnet152深度学习神经网络和二层全连接网络的分类器；当最小误差值ε取值在(0.1,0.5]区间时，选择包括Resnet152深度学习神经网络、长短期记忆网络和二层全连接网络的分类器；当最小误差值ε取值在(0.5,1]区间时，选择包括VGG16深度学习神经网络、Resnet152深度学习神经网络、Inception-Resnet-v2深度学习神经网络和二层全连接网络的分类器；当最小误差值ε取值在(1,3]区间时，选择包括VGG16深度学习神经网络、VGG19深度学习神经网络、Resnet152深度学习神经网络、Inception-Resnet-v2深度学习神经网络和五层全连接网络的分类器；当最小误差值ε取值在(3,∞)区间时，输出无法识别的步态识别结果。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于多分类器协同的步态识别方法，其特征在于，包括以下步骤：
S1：获取步态轮廓数据集，将步态轮廓数据分为训练集和测试集，分别提取训练集数据和测试集数据的非线性步态动力学特征；
S2：计算测试集的非线性步态动力学特征与训练集的非线性步态动力学特征之间基于非线性动力学差异的识别误差；
S3：根据计算所得的识别误差选择相应的分类器，将测试集的步态动力学特征输入到所选择的且经过训练的分类器中，实现步态识别。
2.根据权利要求1所述的基于多分类器协同的步态识别方法，其特征在于，所述S1步骤，具体包括以下步骤：
S1.1：从获取的步态轮廓数据集中提取人体行走图像序列，将人体行走图像序列数据分为训练集和测试集，对训练集和测试集的人体行走图像序列进行背景减除和形态学处理，获得训练集和测试集的人体行走的二值步态轮廓图；
S1.2：基于训练集和测试集的人体行走的二值步态轮廓图，提取训练集和测试集的人体运动面积特征参数；
S1.3：建立非线性动力学模型的神经网络，将训练集和测试集的人体运动面积特征参数输入非线性动力学模型的神经网络，提取训练集和测试集的以常值神经网络权值矩阵形式保存的非线性步态动力学特征。
3.根据权利要求2所述的基于多分类器协同的步态识别方法，其特征在于，所述人体运动面积特征参数包括人体运动轮廓总面积、人体下肢轮廓总面积和两脚尖点连线对地三角形面积。
4.根据权利要求2所述的基于多分类器协同的步态识别方法，其特征在于，所述S2步骤，具体包括以下步骤：
S2.1：利用测试集中的非线性步态动力学特征和训练集中的非线性步态动力学特征分别构建测试集常值神经网络和训练集常值神经网络；
S2.2：计算测试集常值神经网络与训练集常值神经网络之间的矩阵差值，得到差值矩阵；
S2.3：将差值矩阵所有元素的平均值的绝对值作为测试集与训练集的识别误差度量，计算得到一组识别误差值，从中提取最小的识别误差值ε作为测试集与训练集之间基于非线性动力学差异的识别误差。
5.根据权利要求4所述的基于多分类器协同的步态识别方法，其特征在于，所述S3步骤中，根据计算所得的识别误差选择不同的分类器，其选择方法是：
当最小识别误差值ε取值在[0，0.1]区间时，选择包括Inception-v3深度学习神经网络、Resnet152深度学习神经网络和二层全连接网络的分类器；
当最小识别误差值ε取值在(0.1，0.5]区间时，选择包括Resnet152深度学习神经网络、长短期记忆网络和二层全连接网络的分类器；
当最小识别误差值ε取值在(0.5，1]区间时，选择包括VGG16深度学习神经网络、Resnet152深度学习神经网络、Inception-Resnet-v2深度学习神经网络和二层全连接网络的分类器；
当最小识别误差值ε取值在(1，3]区间时，选择包括VGG16深度学习神经网络、VGG19深度学习神经网络、Resnet152深度学习神经网络、Inception-Resnet-v2深度学习神经网络和五层全连接网络的分类器；
当最小识别误差值ε取值在(3，∞)区间时，输出无法识别的步态识别结果。
6.根据权利要求5所述的基于多分类器协同的步态识别方法，其特征在于，当最小误差值ε取值在[0，0.1]区间时，Inception-v3和Resnet152深度学习神经网络对输入的测试集的步态动力学特征进行二次特征学习，并将所得特征数据通过加权平均方式进行数值融合，其计算公式如下所示：
Q1＝a1×M1+a2×M2
其中，Q1为数值融合后的步态特征数值，a1和a2为权值，M1为Inception-v3特征数值，M2为Resnet152特征数值；
将Q1输入到二层全连接网络进行分类，实现步态识别任务。
7.根据权利要求5所述的基于多分类器协同的步态识别方法，其特征在于，当最小误差值ε取值在(0.1，0.5]区间时，Resnet152深度学习神经网络和长短期记忆网络串联，对输入的步态动力学特征进行二次特征学习，得到数值融合后的步态特征数值Q2，将Q2输入到二层全连接网络进行分类，实现步态识别任务。
8.根据权利要求5所述的基于多分类器协同的步态识别方法，其特征在于，当最小误差值ε取值在(0.5，1]区间时，VGG16深度学习神经网络、Resnet152深度学习神经网络和Inception-Resnet-v2深度学习神经网络对步态动力学特征进行二次特征学习，并将所得特征数据通过加权平均方式进行数值融合，其计算公式如下所示：
Q3＝b1×N1+b2×N2+b3×N3
其中，Q3为数值融合后的步态特征数值，b1、b2和b3为权值，N1为VGG16特征数值，N2为Resnet152网络学习特征数值，N3为Inception-Resnet-v2网络学习特征数值；
将Q3输入到二层全连接网络进行分类，实现步态识别任务。
9.根据权利要求5所述的基于多分类器协同的步态识别方法，其特征在于，当最小误差值ε取值在(1，3]区间时，VGG16深度学习神经网络、VGG19深度学习神经网络、Resnet152深度学习神经网络和Inception-Resnet-v2深度学习神经网络对输入的步态动力学特征进行二次特征学习，并将所得特征数据通过加权平均方式进行数值融合，其计算公式如下所示：
Q4＝c1×O1+c2×O2+c3×O3+c4×O4
其中，Q4为数值融合后的步态特征数值，c1、c2、c3和c4为权值，O1为VGG16特征数值，O2为VGG19特征数值，O3为Resnet152网络学习特征数值，O4为Inception-Resnet-v2网络学习特征数值；
将Q4输入到五层全连接网络进行分类，实现步态识别任务。
10.一种基于多分类器协同的步态识别系统，其特征在于，包括：
数据获取模块，用于获取步态轮廓数据集，将步态轮廓数据分为训练集和测试集，分别提取训练集数据和测试集数据的非线性步态动力学特征；
识别误差计算模块，用于计算测试集的非线性步态动力学特征与训练集的非线性步态动力学特征之间基于非线性动力学差异的识别误差；
步态识别模块，用于根据计算所得的识别误差选择相应的分类器，将测试集的步态动力学特征输入到所选择的且经过训练的分类器中，实现步态识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111039460.1A CN113887315B (zh) | 2021-09-06 | 2021-09-06 | 一种基于多分类器协同的步态识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111039460.1A CN113887315B (zh) | 2021-09-06 | 2021-09-06 | 一种基于多分类器协同的步态识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113887315A true CN113887315A (zh) | 2022-01-04 |
| CN113887315B CN113887315B (zh) | 2024-06-11 |
Family
ID=79008306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111039460.1A Active CN113887315B (zh) | 2021-09-06 | 2021-09-06 | 一种基于多分类器协同的步态识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887315B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134077A (zh) * | 2014-07-10 | 2014-11-05 | 华南理工大学 | 一种基于确定学习理论的与视角无关的步态识别方法 |
| CN104463118A (zh) * | 2014-12-04 | 2015-03-25 | 龙岩学院 | 一种基于Kinect的多视角步态识别方法 |
| CN106919921A (zh) * | 2017-03-06 | 2017-07-04 | 重庆邮电大学 | 结合子空间学习与张量神经网络的步态识别方法及系统 |
| 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 |
| CN109446884A (zh) * | 2018-09-06 | 2019-03-08 | 杭州电子科技大学 | 一种基于非线性动力学指标的速度无关的步态识别方法 |
| CN111539396A (zh) * | 2020-07-09 | 2020-08-14 | 深兰人工智能芯片研究院（江苏）有限公司 | 一种基于yolov3的行人检测及步态识别的方法 |
| CN112580445A (zh) * | 2020-12-03 | 2021-03-30 | 电子科技大学 | 基于生成对抗网络的人体步态图像视角转化方法 |
-
2021
- 2021-09-06 CN CN202111039460.1A patent/CN113887315B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134077A (zh) * | 2014-07-10 | 2014-11-05 | 华南理工大学 | 一种基于确定学习理论的与视角无关的步态识别方法 |
| CN104463118A (zh) * | 2014-12-04 | 2015-03-25 | 龙岩学院 | 一种基于Kinect的多视角步态识别方法 |
| CN106919921A (zh) * | 2017-03-06 | 2017-07-04 | 重庆邮电大学 | 结合子空间学习与张量神经网络的步态识别方法及系统 |
| 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 |
| CN109446884A (zh) * | 2018-09-06 | 2019-03-08 | 杭州电子科技大学 | 一种基于非线性动力学指标的速度无关的步态识别方法 |
| CN111539396A (zh) * | 2020-07-09 | 2020-08-14 | 深兰人工智能芯片研究院（江苏）有限公司 | 一种基于yolov3的行人检测及步态识别的方法 |
| CN112580445A (zh) * | 2020-12-03 | 2021-03-30 | 电子科技大学 | 基于生成对抗网络的人体步态图像视角转化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘凤琳;王颖;王清辉;王宇松;: "基于Kinect和确定学习的步态识别", 龙岩学院学报, no. 02 * |
| 黄煜坤;邹毅;: "入侵检测改进差分进化算法优化BP神经网络", 电子世界, no. 09, 8 May 2019 (2019-05-08) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113887315B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108052896B (zh) | 基于卷积神经网络与支持向量机的人体行为识别方法 | |
| CN109409297B (zh) | 一种基于双通道卷积神经网络的身份识别方法 | |
| CN106960202B (zh) | 一种基于可见光与红外图像融合的笑脸识别方法 | |
| Mustafa | Retracted article: a study on Arabic sign language recognition for differently abled using advanced machine learning classifiers | |
| KR102036963B1 (ko) | Cnn 기반의 와일드 환경에 강인한 얼굴 검출 방법 및 시스템 | |
| US20050185835A1 (en) | Learning method and device for pattern recognition | |
| CN111783748A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| JP5153434B2 (ja) | 情報処理装置及び情報処理方法 | |
| CN111753643B (zh) | 人物姿态识别方法、装置、计算机设备和存储介质 | |
| CN108537181A (zh) | 一种基于大间距深度度量学习的步态识别方法 | |
| Owayjan et al. | Face detection with expression recognition using artificial neural networks | |
| Kishore et al. | Selfie sign language recognition with convolutional neural networks | |
| Pattnaik et al. | AI-based techniques for real-time face recognition-based attendance system-A comparative study | |
| Sharma et al. | Multimodal biometric for person identification using deep learning approach | |
| Jindal et al. | Sign Language Detection using Convolutional Neural Network (CNN) | |
| Batool et al. | Fundamental recognition of ADL assessments using machine learning engineering | |
| Sun et al. | Using backpropagation neural network for face recognition with 2D+ 3D hybrid information | |
| Shams et al. | Deep belief neural networks for eye localization based speeded up robust features and local binary pattern | |
| Dumitrescu et al. | Combining neural networks and global gabor features in a hybrid face recognition system | |
| Singh et al. | An overview of face recognition in an unconstrained environment | |
| CN116959070A (zh) | 一种心理健康预警系统及其特征提取模型的建立方法 | |
| CN113887315A (zh) | 一种基于多分类器协同的步态识别方法及系统 | |
| Das et al. | Human gait recognition using deep neural networks | |
| Gharghabi et al. | Person recognition based on face and body information for domestic service robots | |
| Basak et al. | Face recognition using fuzzy logic |
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 |