一种基于步态识别和隐私保护的防走失方法及系统

1.本发明涉及防走失监控领域，尤其涉及一种基于步态识别和隐私保护的防走失方法及系统。


背景技术：

2.面对认知障碍老人，病人的家人通常十分担心病人是否会走失，在现有技术中，通常识使用智能手环或胸牌来进行定位防走失，该方法具有联网定位能力，但是存在容易丢失、易对老人心理健康产生一定的影响、需要主动佩戴，对硬件要求较高且侵犯老人的人脸信息等隐私信息等问题，不符合老人的需求，不利于老人的健康。


技术实现要素：

3.为了解决上述技术问题，本发明的目的是提供一种基于步态识别和隐私保护的防走失方法及系统，能够使得老人家属能够随时监控老人是否进入危险区域以及离开指定范围，从而确保老人安全。
4.本发明所采用的第一技术方案是：一种基于步态识别和隐私保护的防走失方法，包括以下步骤：
5.获取摄像机的视频数据并基于步态轮廓进行身份识别，得到老人身份；
6.根据老人身份和摄像机的视频数据进行路线跟踪，得到老人行动路线；
7.根据老人身份获取对应的规则，并结合老人行动路线进行防走失监控。
8.进一步，所述获取摄像机的视频数据并基于步态轮廓进行身份识别，得到老人身份这一步骤，其具体包括：
9.获取摄像机的视频数据并对视频数据进行分帧处理，得到视频帧数据；
10.根据视频帧数据提取轮廓和锚框信息并构建对应老人连续的步态轮廓二值图；
11.根据步态轮廓二值图进行特征提取，得到对应的输出特征；
12.根据输出特征进行身份识别，得到对应的老人身份。
13.进一步，所述根据视频帧数据提取轮廓和锚框信息并构建对应老人连续的步态轮廓二值图这一步骤，其具体包括：
14.将视频帧数据按帧输入至预训练的深度学习神经网络提取轮廓和锚框信息，得到视频帧对应的轮廓和锚框信息；
15.根据每一帧的锚框信息估算对应老人在每一帧出现的位置，并结合每一帧的轮廓信息，得到老人连续的步态轮廓二值图。
16.进一步，所述根据步态轮廓二值图进行特征提取，得到对应的输出特征这一步骤，其具体包括：
17.根据步态轮廓二值图提取不同尺寸的轮廓特征；
18.根据不同尺寸的轮廓特征提取时间维度上的步态信息；
19.将不同尺寸的轮廓特征和时间纬度上的步态信息进行融合，得到最终输出特征。
20.进一步，所述深度学习神经网络的训练步骤具体包括：
21.获取公开数据库数据并进行初步筛选行人图像，得到数据集；
22.对数据集进行数据扩充，得到扩充后数据集；
23.基于扩充后数据集对深度学习神经网络进行训练并调整网络参数，得到预训练的深度学习神经网络。
24.进一步，所述根据老人身份和摄像机的视频数据进行路线跟踪，得到老人行动路线这一步骤，其具体包括：
25.将多个摄像机的视频数据进行等时切片，得到多个视频片段；
26.根据老人身份，将多个视频片段按身份归类，得到归类后视频片段；
27.将归类后视频片段按时间顺序排序，得到老人在摄像头中依次出现的顺序，生成老人行动路线。
28.进一步，所述根据老人身份获取对应的规则，并结合老人行动路线进行防走失监控这一步骤，其具体包括：
29.根据用户需求针对不同老人身份设置对应警告规则；
30.根据老人身份获取对应警告规则；
31.根据对应警告规则和老人行动路线，判断到老人超出预设安全区域，发送通知警告，完成防走失监控。
32.本发明所采用的第二技术方案是：一种基于步态识别和隐私保护的防走失系统，包括：
33.身份识别模块，用于获取摄像机的视频数据并基于步态轮廓进行身份识别，得到老人身份；
34.路线跟踪模块，用于根据老人身份和摄像机的视频数据进行路线跟踪，得到老人行动路线；
35.警告模块，根据老人身份获取对应的规则，并结合老人行动路线进行防走失监控。
36.本发明方法及系统的有益效果是：本发明通过基于步态识别的身份识别判别出老人的身份，基于此通过时间以及空间关联计算出老人在各个摄像头出现的顺序，连接成线，从而得出老人的活动路线并实现路线跟踪，最后根据预设的告警规则以达到预防老人走失的效果。
附图说明
37.图1是本发明一种基于步态识别和隐私保护的防走失方法的步骤流程图；
38.图2是本发明一种基于步态识别和隐私保护的防走失系统的结构框图；
39.图3是本发明具体实施例身份识别的流程示意图；
40.图4是本发明具体实施例获取老人行动路线的流程示意图。
具体实施方式
41.下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
42.如图1所示，本发明提供了一种基于步态识别和隐私保护的防走失方法，该方法包括以下步骤：
43.s1、获取摄像机的视频数据并基于步态轮廓进行身份识别，得到老人身份；
44.具体地，本发明中的身份识别是基于步态识别实现的，具体过程参照图3，详细如下：输入每个摄像头的视频，通过maskrcnn获取视频中每帧的行人的轮廓以及与轮廓一一对应的锚框，然后基于deepsort算法，计算出每一帧行人的锚框之间的关联，从而使视频中每个行人的每一帧的锚框关联起来，进一步地由于行人的轮廓与锚框一一对应于是就得到了行人在每一帧中的轮廓，从而得到视频中连续的行走的轮廓组。进一步地，我们将每个行人的轮廓组输入负责步态识别的神经网络，得到表示视频中每个行人的特征向量。最后利用基于欧氏距离的分类器将得到的特征向量与步态数据库中已记录的特征向量一一比较从而得出视频中的老人的身份信息。
45.s1.1、获取摄像机的视频数据并对视频数据进行分帧处理，得到视频帧数据；
46.s1.2、根据视频帧数据提取轮廓和锚框信息并构建对应老人连续的步态轮廓二值图；
47.s1.2.1、将视频帧数据按帧输入至预训练的深度学习神经网络提取轮廓和锚框信息，得到视频帧对应的轮廓和锚框信息；
48.s1.2.2、根据每一帧的锚框信息估算对应老人在每一帧出现的位置，并结合每一帧的轮廓信息，得到老人连续的步态轮廓二值图。
49.具体地，该部分由目标轮廓及锚框生成模块以及目标定位与跟踪模块，所述目标轮廓及锚框生成模块由深度学习神经网路组成，具体为：所述目标轮廓及锚框生成模块分为三部分：特征提取，区域建议模块，掩码分支模块：主干网络，作为特征提取器，由resnet50+fpn组成；区域建议网络，用于获取拥有目标的锚框以及修正锚框偏移量，由softmax以及1x1的卷积组成；分支网络，用于获取目标掩码以及目标类别，目标掩码分支是卷积网络，目标类别分类网络分支是全连接神经网络。
50.s1.3、根据步态轮廓二值图进行特征提取，得到对应的输出特征；
51.s1.3.1、根据步态轮廓二值图提取不同尺寸的轮廓特征；
52.s1.3.2、根据不同尺寸的轮廓特征提取时间维度上的步态信息；
53.s1.3.3、将不同尺寸的轮廓特征和时间纬度上的步态信息进行融合，得到最终输出特征。
54.具体地，该部分同样由深度神经网络组成：
55.输入层，在输入层中，接收一组二值轮廓图片，同时将输入的图像数据转化为下一卷积层的输入。
56.图像特征提取通道，特征提取通道由多个卷积层和池化层组成，用于提取不同尺寸上的轮廓特征。
57.时序步态特征提取通道，时序步态特征由多个卷积层、池化层以及注意力块组成，用于提取一组轮廓中的时间维度上的步态信息。该通道的特征输入来自图像特征提取通道的各层输出。
58.合并层，本层由concatenate以及卷积和池化组成，用于合并图像特征提取通道和时序步态特征提取通道所提取出来的特征。
59.输出层，网络最终输出特征向量，作为输入步态的特征值。
60.s1.4、根据输出特征进行身份识别，得到对应的老人身份。
61.s2、根据老人身份和摄像机的视频数据进行路线跟踪，得到老人行动路线；
62.s2.1、将多个摄像机的视频数据进行等时切片，得到多个视频片段；
63.s2.2、根据老人身份，将多个视频片段按身份归类，得到归类后视频片段；
64.s2.3、将归类后视频片段按时间顺序排序，得到老人在摄像头中依次出现的顺序，生成老人行动路线。
65.具体地，参照图4，通过接入系统的各路摄像头获取视频并传输到后端服务器，后端对每个视频进行等时切片，从而将每个视频切割成多个视频小片段，而后后端将得到的许多个视频片段传输给算法服务器平台进行推理运算，然后等待算法服务器平台计算完成，后端将得到这所有视频片段中出现的已在数据库中的老人，以及老人出现的视频片段，后端利用此信息对每个老人的视频片段进行按时间顺序的排序，从而得到老人在摄像头中依次出现的顺序，由于每个摄像头都对应一个地方进一步地就可以获得老人的行动路线。
66.s3、根据老人身份获取对应的规则，并结合老人行动路线进行防走失监控。
67.s3.1、根据用户需求针对不同老人身份设置对应警告规则；
68.s3.2、根据老人身份获取对应警告规则；
69.s3.3、根据对应警告规则和老人行动路线，判断到老人超出预设安全区域，发送通知警告，完成防走失监控。
70.具体地，获得老人的行动路线后，通过简单的阈值法就可以知道老人是否在某地长期逗留，或者是否长期消失在监控范围内，另外通过与提前设定好的老人行动禁区就可以在老人涉入禁区时及时向老人家属发出通知警告，从而实现认知障碍老人的预防走失。
71.进一步作为本方法的优选实施例，还包括深度神经网络的训练步骤：
72.(1)步态轮廓提取部分训练如下：
73.获取公开数据库数据，通过筛选，获取行人图像。
74.数据集划分及数据扩充：将数据集分为训练集与测试集两部分。同时为了保证结果的可信度，数据集与训练集中的样本无交叉。为了增加数据集的多样性、更好的提取图像特征，对数据集使用缩放、旋转、随机噪声等方法进行数据扩充；
75.使用上述数据集对深度学习网络模型进行训练，并根据训练数据逐步调整网络参数。
76.输出训练结果。
77.训练策略
78.为了保证实现效果的有效性，训练集与测试集之间无交叉、重复的图像块块，且从各自对应的裁剪图像集合中随机抽取无重复图像构造训练与测试集。测试与训练集的比例按照一定比例进行设置。实验通过五组不同规模数据但输入图像尺寸相同的数据集进行网络训练，通过实验结果选取合适的规模作为最终的规模参数。
79.(2)步态识别部分训练如下：
80.获取公开数据库数据。
81.数据集划分：将数据集分为训练集与测试集两部分。同时为了保证结果的可信度，数据集与训练集中的样本无交叉。
82.使用上述数据集对深度学习网络模型进行训练，并根据训练数据逐步调整网络参数。
83.输出训练结果。
84.训练策略
85.为了获得效果最好的模型，训练中使用了三元组损失计算，以及为了防止过拟合，在训练过程中自动保存模型，训练好后选择最优模型进行推理。
86.测试方法：
87.通过工作室的摄像头获取几段行人视频，进行手动标记，输入步态轮廓提取部分，得到行人轮廓图片组，将该图片组输入步态识别部分，得到每个行人轮廓图片组特征向量，通过欧式距离，计算出轮廓图片组的归属，从而确定视频中出现的行人的身份，将该计算得到的行人身份与标记信息进行对比。
88.进一步作为本方法的优选实施例，还包括：
89.将老人身份、老人行动路线和告警规则通过网页展示。
90.如图2所示，一种基于步态识别和隐私保护的防走失系统，包括：
91.身份识别模块，用于获取摄像机的视频数据并基于步态轮廓进行身份识别，得到老人身份；
92.路线跟踪模块，用于根据老人身份和摄像机的视频数据进行路线跟踪，得到老人行动路线；
93.警告模块，根据老人身份获取对应的规则，并结合老人行动路线进行防走失监控。
94.上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
95.一种基于步态识别和隐私保护的防走失装置：
96.至少一个处理器；
97.至少一个存储器，用于存储至少一个程序；
98.当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于步态识别和隐私保护的防走失方法。
99.上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
100.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于步态识别和隐私保护的防走失方法。
101.上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
102.以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。