CN114627493A - 一种基于步态特征的身份识别方法及系统 - Google Patents

一种基于步态特征的身份识别方法及系统 Download PDF

Info

Publication number
CN114627493A
CN114627493A CN202210125686.1A CN202210125686A CN114627493A CN 114627493 A CN114627493 A CN 114627493A CN 202210125686 A CN202210125686 A CN 202210125686A CN 114627493 A CN114627493 A CN 114627493A
Authority
CN
China
Prior art keywords
pedestrian
identity
gait
identified
recognized
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.)
Pending
Application number
CN202210125686.1A
Other languages
English (en)
Inventor
张震
张思源
田鸿朋
彭景昊
张荀
张蝶
张亚斌
李现周
张安琪
宋超
王文娟
李苏晨
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202210125686.1A priority Critical patent/CN114627493A/zh
Publication of CN114627493A publication Critical patent/CN114627493A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于步态特征的身份识别方法及系统，属于身份识别技术领域。方法包括：获取不同视角下的原始图像并输入至目标检测模型中，确定待识别行人的位置；通过行人分割模型对原始图像进行分割，得到各视角下的待识别行人轮廓；将各视角下的待识别行人轮廓输入分类模型中，得到各视角下的待识别行人轮廓的分类结果；将不同视角的分类结果中属于同一个已知身份行人的身份概率进行加权叠加得到待识别行人为该已知身份行人的最终身份概率；最终身份概率最大对应的已知身份行人即为待识别行人的身份识别结果。本发明将不同视角下的分类结果进行加权叠加后确定待识别行人的身份，整体识别过程高效、准确。

Description

一种基于步态特征的身份识别方法及系统
技术领域
本发明涉及一种基于步态特征的身份识别方法及系统，属于身份识别技术领域。
背景技术
随着现代社会的快速发展，使用智能化的技术维护社会安全具有重要的意义。在安全保障领域，有许多技术应用于视频监控和身份认证当中，这些技术为我们的生活提供了巨大的便利，如人脸、人体等识别技术。但这类识别技术在实际应用中存在一定局限性，例如，夜晚成像容易发生较大差异，目标人员在穿戴上会刻意伪装，如戴帽、戴面罩、戴假发，在这些情况下识别技术在判别目标人员时容易误报。
随着技术更新迭代和发展，步态识别技术日趋成熟。相比于人脸、人体识别，步态识别技术具有非配合、难伪装、低光照、远距离、易采集的优势，能有效弥补通过人脸找人(光线不好看不清人脸)、人体找人(光线不好看不清衣着特征、换装)的缺点，是生物识别的又一种强有力的技术手段，在安全保障领域具有极大的潜力。
现有技术中，为了提高步态识别的准确性，采用多视角特征融合的方式进行步态识别，例如：申请公布号为CN 113869151 A的中国发明专利申请文件，该申请文件公开了一种基于特征融合的跨视角步态识别方法及系统，该方法通过对不同视角的步态特征进行融合，能够从行人步态序列中提取更加完整的全局和局部特征信息，完成行人身份的识别，提高步态识别的精度。
然而上述特征提取网络中特征提取过程复杂，计算量大，导致身份识别的效率较低。
发明内容
本申请的目的在于提供一种基于步态特征的身份识别方法及系统，用以解决现有基于多视角步态特征的身份识别效率低的问题。
为实现上述目的，本申请提出了一种基于步态特征的身份识别方法的技术方案，包括以下步骤：
1)获取不同视角下的原始图像；
2)将各视角下的原始图像输入目标检测模型中，对各视角下的原始图像中的待识别行人进行检测，确定待识别行人的位置；
3)根据待识别行人的位置，通过行人分割模型对各视角下的原始图像进行分割，得到各视角下的待识别行人轮廓；
4)将各视角下的待识别行人轮廓输入分类模型中，得到各视角下的待识别行人轮廓的分类结果，所述分类结果为一个概率集合，每个概率为待识别行人为某个已知身份行人的身份概率；
5)将不同视角的分类结果中属于同一个已知身份行人的身份概率进行加权叠加得到待识别行人为该已知身份行人的最终身份概率；最终身份概率最大对应的已知身份行人即为待识别行人的身份识别结果；加权叠加过程中每个视角对应的权重根据各视角对应的身份识别的可信度进行确定，可信度大，权重高；可信度小，权重低。
本发明的基于步态特征的身份识别方法的技术方案的有益效果是：该方法将不同视角下的分类结果进行加权叠加后确定待识别行人的身份，不需要对各视角的步态特征进行融合等操作，保留了更多的原始步态特征，实现了步态识别的灵活性，并且加权叠加过程简单，整体识别过程高效、准确。
进一步地，为了提高可信度的准确性，可信度通过信息熵的方式进行确定，每个视角的信息熵为：
Figure BDA0003500407260000021
其中，H(i)(Z)为第i个视角的信息熵，Q(zj)(i)为第i个视角下已知身份行人zj的样本数占第i个视角下的总样本的比例，log2Q(zj)(i)为第i个视角下已知身份行人zj的信息量。
进一步地，为了更加简单、准确的确定权重系数，加权叠加过程中每个视角对应的权重为：
Figure BDA0003500407260000022
其中，ωi为第i个视角对应的权重，n视角的数量。
进一步地，为了保证各视角下的待识别行人轮廓的一致性，所述步骤3)中还包括将各视角下的待识别行人轮廓进行归一化处理的步骤，所述步骤4)中将归一化后的各视角下的待识别行人轮廓输入分类模型。
进一步地，为了提高识别的准确性，得到待识别行人的身份识别结果后，还包括查看最终身份概率最大对应的已知身份行人的步态特征，并且还包括将待识别行人的步态特征和最终身份概率最大对应的已知身份行人的步态特征进行对比查看的步骤。
进一步地，为了提高分类结果的准确性，所述分类模型为卷积神经网络模型，卷积神经网络模型包括从输入到输出依次设置的第一卷积层、第一池化层、第二卷积层、第二池化层以及softmax，其中第一卷积层和第二卷积层的卷积核大小相同，且卷积层中卷积核的数量逐层增加。
进一步地，为了提高待识别行人轮廓分割的准确性，所述行人分割模型为高斯混合模型。
进一步地，为了提高待识别行人检测的准确性，所述目标检测模型包括YOLOv5网络
另外，本申请还提出一种基于步态特征的身份识别系统的技术方案，包括步态信息分析模块和步态查询模块，步态信息分析模块用于获取不同视角下的原始图像；将各视角下的原始图像输入目标检测模型中，对各视角下的原始图像中的待识别行人进行检测，确定待识别行人的位置；根据待识别行人的位置，通过行人分割模型对各视角下的原始图像进行分割，得到各视角下的待识别行人轮廓；步态查询模块用于将各视角下的待识别行人轮廓输入分类模型中，得到各视角下的待识别行人轮廓的分类结果，所述分类结果为一个概率集合，每个概率为待识别行人为某个已知身份行人的身份概率；将不同视角的分类结果中属于同一个已知身份行人的身份概率进行加权叠加得到待识别行人为该已知身份行人的最终身份概率；最终身份概率最大对应的已知身份行人即为待识别行人的身份识别结果；加权叠加过程中每个视角对应的权重根据各视角对应的身份识别的可信度进行确定，可信度大，权重高；可信度小，权重低。
本发明的基于步态特征的身份识别系统的技术方案的有益效果是：该系统将不同视角下的分类结果进行加权叠加后确定待识别行人的身份，不需要对各视角的步态特征进行融合等操作，保留了更多的原始步态特征，实现了步态识别的灵活性，并且加权叠加过程简单，整体识别过程高效、准确。
进一步地，为了提高识别的准确性，还包括步态详情查询模块和步态对比播放模块，步态详情查询模块用于在得到待识别行人的身份识别结果后，查看最终身份概率最大对应的已知身份行人的步态特征；步态对比播放模块用于将待识别行人的步态特征和最终身份概率最大对应的已知身份行人的步态特征进行对比查看。
附图说明
图1是本发明基于步态特征的身份识别系统的结构框图；
图2是本发明步态信息分析模块的工作流程图；
图3是本发明步态查询模块的工作示意图；
图4是本发明卷积神经网络模型的结构示意图。
具体实施方式
基于步态特征的身份识别系统实施例：
本发明的主要构思在于，基于现有多视角步态识别效率低的问题，本发明针对不同视角的待识别行人轮廓进行分类后，得到不同视角下待识别行人为已知身份行人的身份概率，将不同的分类结果中属于同一个已知身份行人的身份概率进行加权叠加后确定待识别行人为该已知身份行人的最终身份概率，最终身份概率最大对应的已知身份行人即为待识别行人的身份识别结果，将不同视角的识别结果进行加权叠加得到识别结果，整个过程简单、高效。
具体地，基于步态特征的身份识别系统如图1所示包括步态信息分析模块、步态查询模块、步态详情查询模块、步态对比播放模块、步态建库模块。基于步态特征的身份识别系统用于实现基于步态特征的身份识别方法，其中每个模块实现的方法步骤如下：
1)步态信息分析模块包括目标检测模块和分割模块，目标检测模块用于对行人进行检测，确定待识别行人的位置，行人分割模块用于对待识别行人进行分割，得到待识别行人轮廓。
目标检测模块中存储有目标检测模型，将所获取的不同视角的视频文件输入至目标检测模型中，视频文件包括连续若干帧的原始图像，目标检测模型首先对连续若干帧的原始图像进行融合处理后确定为一张原始图像，接着对该原始图像进行行人检测，确定待识别行人的位置。
这里不同视角包括正视、侧视、后视以及斜视等，视角和摄像头的位置有关，不同的摄像头所拍摄的视角不同。
本实施例中，目标检测模型包括YOLOv5网络，在目标检测模型进行目标检测前，在公开数据集CASIA中挑选合适图像作为训练集，将图像中的行人进行标记，对目标检测模型进行训练，确定YOLOv5网络中的相关参数。当然目标检测模型可以包括现有技术中其他具有相同功能的网络，本发明对此不做限制。
行人分割模块中存储有行人分割模型，用于对待识别行人轮廓进行分割，行人轮廓分割对步态识别问题有着重要的意义，本实施例中行人分割模型采用高斯混合模型，高斯混合模型对待识别行人轮廓进行分割过程如下：
a.将事先设定好的一定数量的高斯模型(为高斯背景模型)的参数实施初始化操作，并计算出其它参数；
b.对每一帧原始图像中的每个像素都做处理，如若与事先设定好的某个高斯模型相匹配，则属于该模型，并实现模型的更新操作；
如若没有发现相匹配的高斯模型，那么利用该像素建立一个新的高斯模型来替代之前所有模型中可能性最新的模型，选择最有可能的几个模型作为高斯背景模型；
c.最后重新将原始图像上每一个像素点和多个高斯模型的匹配关系进行检验，若有匹配关系，则该点为背景点，否则为运动的行人点。
最终将待识别行人与背景进行分割，也即背景图像由多个高斯模型构成，背景图像的表达式如下所示:
Figure BDA0003500407260000051
其中，P(St)为当前时刻t、某像素点为背景的概率；K为高斯模型的数目；η为高斯概率密度函数；ωi,t为当前时刻t、第i个高斯模型的权重；μi,t为当前时刻t、第i个高斯模型的均值；∑i,t为当前时刻t、第i个高斯模型的协方差矩阵。
高斯混合模型提取出各原始图像中的待识别行人轮廓后，由于视频采集的目标形状不一致性大，因此需要对待识别行人轮廓进行归一化处理的步骤，归一化处理过程如下：
提取出待识别行人轮廓后，将其高度放缩至64像素并保持横纵比不变。记目标图像高度为r，宽度为c，则调整后轮廓图像的高度为64像素，宽度为64×c/r像素，接着根据以下公式计算调整后轮廓图的质心坐标xc：
Figure BDA0003500407260000061
其中，xi为像素值为1的第i个像素点的横坐标，M为整幅轮廓图中像素为1的点的总数。
当然，关于行人分割模型也可以是现有技术具有相同功能的其他模型，而且在保证提取出各原始图像中的待识别行人轮廓一致性的情况下，也可以不进行归一化处理，本发明对此不做限制。
也即步态信息分析模块实现如图2所示的方法：
获取不同视角下的原始图像；
将各视角下的原始图像输入目标检测模型中，对各视角下的原始图像中的待识别行人进行检测，确定待识别行人的位置；
根据待识别行人的位置，通过行人分割模型对各视角下的原始图像进行分割，得到各视角下的待识别行人轮廓；
将得到的若干待识别行人轮廓进行归一化处理，保证若干待识别行人轮廓的一致性。
2)步态查询模块用于对不同视角下的待识别行人轮廓进行分类，确定待识别行人的身份。
步态查询模块所实现的方法的具体过程如图3所示：
首先，将归一化后的各视角下的待识别行人轮廓输入分类模型中，得到各视角下的待识别行人轮廓的分类结果，其中归一化后的各视角下的待识别行人轮廓用步态序列表示：W1、W2、W3、……、Wi、……、Wn；每个视角对应一个分类结果：P1、P2、P3、……、Pi、……、Pn；每个分类结果为一个概率集合，每个概率为待识别行人为某个已知身份行人的身份概率，第i个视角下，待识别行人为第k个已知身份行人的身份概率用Pk i表示。
其次，将不同视角的分类结果中属于同一个已知身份行人的身份概率进行加权叠加得到待识别行人为该已知身份行人的最终身份概率；图3中的P为一个最终身份概率集合，包括待识别行人为N个已知身份行人的最终身份概率。
加权叠加过程也即加权表决过程，第i个视角的权重用ωi表示，那么待识别行人为第k个已知身份行人的最终身份概率为：
Figure BDA0003500407260000071
其中N为已知身份行人的数量。
第i个视角的权重ωi根据第i个视角对应的身份识别的可信度进行确定，可信度大，权重高；可信度小，权重低。本实施例中，可信度通过信息熵的方式进行确定，当某个视角的信息熵越大，表示信息的无序化程度越大，相对应的信息效率越高，则该视角下步态特征在进行加权表决时的权值越大，第i个视角的信息熵为：
Figure BDA0003500407260000072
其中，H(i)(Z)为第i个视角的信息熵，Z为样本库中的第i个视角下的随机变量，这里随机变量指不同已知身份行人，样本库中共N个已知身份行人，分别为标记为z1，z2，...，zj，...，zN，Q(zj)(i)为第i个视角下已知身份行人zj的样本数占第i个视角下的总样本的比例，log2Q(zj)(i)为第i个视角下已知身份行人zj的信息量。
设具有n个视角，第i个视角(1≤i≤n)的信息熵为H(i)(Z)，第i个视角对应的权重ωi为：
Figure BDA0003500407260000073
最后，最终身份概率最大对应的已知身份行人即为待识别行人的身份识别结果。
关于加权表决过程中，每个视角对应的权重和该视角对应的身份识别的可信度有关，例如：正视角下步态特征不明显，可信度低，因此正视角在加权表决过程中占得权重低，侧视角下步态特征明显，可信度高，因此侧视角在加权表决过程中占得权重高。因此这里每个视角的可信度可以通过经验标定进行确定，对应的权重可通过标定的可信度进行确定，本发明对可信度的确定方式不做限定。
本实施例中，分类模型为卷积神经网络模型，如图4所示，卷积神经网络模型包括从输入到输出依次设置的第一卷积层、第一池化层、第二卷积层、第二池化层以及softmax，其中第一卷积层和第二卷积层的卷积核大小相同，均为3×3卷积核；每个卷积核中第一层卷积层中卷积核个数为32，第二层卷积层中卷积核个数为64个，逐层增加卷积核的个数，这样可以更好提取数据中的特征，作为其他实施方式，本发明对分类模型的具体实现并不做限制，能够实现分类的功能即可。
3)步态详情查询模块用于对最终身份概率最大对应的已知身份行人的步态特征进行查看。
在确定出待识别行人对应的已知身份行人后，步态详情查询模块支持勾选查询该已知身份行人的步态选项，可以查看步态的详情数据，包括步态采集的时间、地点、经纬度、步态视频时长、步态关联的视频录像信息等。
4)步态对比播放模块用于对比播放待识别行人和识别出的已知身份行人的视频信息，辅助工作人员进行步态对比，进一步确定待识别行人的身份。
步态对比播放模块支持将界面分成两个播放框，可同时查看按照条件查询的步态视频和目标步态视频录像。支持分别控制两个播放框的播放倍速，下发同步播放/暂停两个播放框。
5)步态建库模块用于对样本进行存储，形成步态数据库。当上述待识别行人识别准确后，将获取的新的视频信息进行标记并作为样本添加到步态建库模块，可以定期对分类模型进行重新训练，更新分类模型中的相关参数。
上述实施例中，为了辅助身份识别，通过步态查询模块得到待识别行人的身份后，还要查看和对比数据库中的已知行人的步态特征，作为其他实施方式，在保证步态查询模块得到的结果准确的情况下，也可以不辅助查看和对比。
本发明的基于步态特征的身份识别系统将不同视角下的分类结果进行加权叠加后确定待识别行人的身份，不需要对各视角的步态特征进行融合等操作，保留了更多的原始步态特征，实现了步态识别的灵活性，并且加权叠加过程简单，整体识别过程高效、准确。
基于步态特征的身份识别方法实施例：
基于步态特征的身份识别方法的具体实现过程以及效果在上述基于步态特征的身份识别系统实施例中已经介绍，这里不做赘述。

Claims (10)

1.一种基于步态特征的身份识别方法，其特征在于，包括以下步骤：
1)获取不同视角下的原始图像；
2)将各视角下的原始图像输入目标检测模型中，对各视角下的原始图像中的待识别行人进行检测，确定待识别行人的位置；
3)根据待识别行人的位置，通过行人分割模型对各视角下的原始图像进行分割，得到各视角下的待识别行人轮廓；
4)将各视角下的待识别行人轮廓输入分类模型中，得到各视角下的待识别行人轮廓的分类结果，所述分类结果为一个概率集合，每个概率为待识别行人为某个已知身份行人的身份概率；
5)将不同视角的分类结果中属于同一个已知身份行人的身份概率进行加权叠加得到待识别行人为该已知身份行人的最终身份概率；最终身份概率最大对应的已知身份行人即为待识别行人的身份识别结果；加权叠加过程中每个视角对应的权重根据各视角对应的身份识别的可信度进行确定，可信度大，权重高；可信度小，权重低。
2.根据权利要求1所述的基于步态特征的身份识别方法，其特征在于，可信度通过信息熵的方式进行确定，每个视角的信息熵为：
Figure FDA0003500407250000011
其中，H(i)(Z)为第i个视角的信息熵，Q(zj)(i)为第i个视角下已知身份行人zj的样本数占第i个视角下的总样本的比例，log2Q(zj)(i)为第i个视角下已知身份行人zj的信息量。
3.根据权利要求2所述的基于步态特征的身份识别方法，其特征在于，加权叠加过程中每个视角对应的权重为：
Figure FDA0003500407250000012
其中，ωi为第i个视角对应的权重，n视角的数量。
4.根据权利要求1所述的基于步态特征的身份识别方法，其特征在于，所述步骤3)中还包括将各视角下的待识别行人轮廓进行归一化处理的步骤，所述步骤4)中将归一化后的各视角下的待识别行人轮廓输入分类模型。
5.根据权利要求1所述的基于步态特征的身份识别方法，其特征在于，得到待识别行人的身份识别结果后，还包括查看最终身份概率最大对应的已知身份行人的步态特征，并且还包括将待识别行人的步态特征和最终身份概率最大对应的已知身份行人的步态特征进行对比查看的步骤。
6.根据权利要求1所述的基于步态特征的身份识别方法，其特征在于，所述分类模型为卷积神经网络模型，卷积神经网络模型包括从输入到输出依次设置的第一卷积层、第一池化层、第二卷积层、第二池化层以及softmax，其中第一卷积层和第二卷积层的卷积核大小相同，且卷积层中卷积核的数量逐层增加。
7.根据权利要求1所述的基于步态特征的身份识别方法，其特征在于，所述行人分割模型为高斯混合模型。
8.根据权利要求1所述的基于步态特征的身份识别方法，其特征在于，所述目标检测模型包括YOLOv5网络。
9.一种基于步态特征的身份识别系统，其特征在于，包括步态信息分析模块和步态查询模块，步态信息分析模块用于获取不同视角下的原始图像；将各视角下的原始图像输入目标检测模型中，对各视角下的原始图像中的待识别行人进行检测，确定待识别行人的位置；根据待识别行人的位置，通过行人分割模型对各视角下的原始图像进行分割，得到各视角下的待识别行人轮廓；步态查询模块用于将各视角下的待识别行人轮廓输入分类模型中，得到各视角下的待识别行人轮廓的分类结果，所述分类结果为一个概率集合，每个概率为待识别行人为某个已知身份行人的身份概率；将不同视角的分类结果中属于同一个已知身份行人的身份概率进行加权叠加得到待识别行人为该已知身份行人的最终身份概率；最终身份概率最大对应的已知身份行人即为待识别行人的身份识别结果；加权叠加过程中每个视角对应的权重根据各视角对应的身份识别的可信度进行确定，可信度大，权重高；可信度小，权重低。
10.根据权利要求9所述的基于步态特征的身份识别系统，其特征在于，还包括步态详情查询模块和步态对比播放模块，步态详情查询模块用于在得到待识别行人的身份识别结果后，查看最终身份概率最大对应的已知身份行人的步态特征；步态对比播放模块用于将待识别行人的步态特征和最终身份概率最大对应的已知身份行人的步态特征进行对比查看。
CN202210125686.1A 2022-02-10 2022-02-10 一种基于步态特征的身份识别方法及系统 Pending CN114627493A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210125686.1A CN114627493A (zh) 2022-02-10 2022-02-10 一种基于步态特征的身份识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210125686.1A CN114627493A (zh) 2022-02-10 2022-02-10 一种基于步态特征的身份识别方法及系统

Publications (1)

Publication Number Publication Date
CN114627493A true CN114627493A (zh) 2022-06-14

Family

ID=81899023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210125686.1A Pending CN114627493A (zh) 2022-02-10 2022-02-10 一种基于步态特征的身份识别方法及系统

Country Status (1)

Country Link
CN (1) CN114627493A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116125466A (zh) * 2023-03-02 2023-05-16 武汉理工大学 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116125466A (zh) * 2023-03-02 2023-05-16 武汉理工大学 船舶人员隐藏威胁性物品携带检测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN106778595B (zh) 基于高斯混合模型的人群中异常行为的检测方法
CN111553201B (zh) 一种基于YOLOv3优化算法的交通灯检测方法
CN111259786B (zh) 一种基于视频的外观和运动信息同步增强的行人重识别方法
CN111709311B (zh) 一种基于多尺度卷积特征融合的行人重识别方法
CN109271895B (zh) 基于多尺度特征学习和特征分割的行人重识别方法
CN108520216B (zh) 一种基于步态图像的身份识别方法
CN110796168A (zh) 一种基于改进YOLOv3的车辆检测方法
CN107145842A (zh) 结合lbp特征图与卷积神经网络的人脸识别方法
CN111079640B (zh) 一种基于自动扩增样本的车型识别方法及系统
CN110414441B (zh) 一种行人行踪分析方法及系统
CN111507217A (zh) 一种基于局部分辨特征融合的行人重识别方法
CN106909938B (zh) 基于深度学习网络的视角无关性行为识别方法
CN110728252B (zh) 一种应用于区域人员运动轨迹监控的人脸检测方法
CN108875754B (zh) 一种基于多深度特征融合网络的车辆再识别方法
CN112287827A (zh) 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统
CN113158943A (zh) 一种跨域红外目标检测方法
CN107977439A (zh) 一种人脸图像库构建方法
CN114495010A (zh) 一种基于多特征学习的跨模态行人重识别方法及系统
CN111724566A (zh) 基于智慧灯杆视频监控系统的行人跌倒检测方法和装置
CN107220598A (zh) 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法
CN114359702A (zh) 一种基于Transformer的宅基地遥感图像违建识别方法及系统
CN112949510A (zh) 基于Faster R-CNN热红外影像人物探测方法
CN117333948A (zh) 一种融合时空注意力机制的端到端多目标肉鸡行为识别方法
CN114627493A (zh) 一种基于步态特征的身份识别方法及系统
CN106548195A (zh) 一种基于改进型hog‑ulbp特征算子的目标检测方法

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