一种步态识别方法及装置的制造方法
【技术领域】
[0001] 本发明涉及识别技术领域，特别涉及一种步态识别方法及装置。
【背景技术】
[0002] 步态识别是一种基于生物特征的识别技术，旨在通过人们行走的姿态进行身份识 另IJ，步态，即人行走的姿态，包括行走过程中上肢、下肢关节处呈现出有规律的运动趋势和 变化。通过对步态的分析，可以得到步态所述人物的身份和属性，如性别、年龄、种族等信 息。对于识别技术领域来说，步态是一种极具潜质的生物特征，这主要表现在以下三个方 面:1)可远程获取。监控人员可以通过一定距离获取特定目标的步态信息，采用非接触性的 方式进行隐蔽采集。而诸如虹膜、指纹等生物特征则需要用户的友好配合来完成采集，这一 点在智能视频监控中十分重要。2)鲁棒性。步态特征在低质的监控画面下仍然有较好的识 别效果。相比而言，准确的人脸识别和声纹识别则对数据源的质量要求较高。3)安全性。步 态难以伪装模仿或隐藏，在公共场合行人要刻意改变自己的步态，往往会变得更加可疑而 引起注意，步态识别技术已成为计算机视觉与模式识别中一个重要的研究方向。
[0003] 然而，目前精确步态识别技术还不够成熟，如何准确地通过步态分析来进行身份 识别还面临着巨大挑战。在现有的研究领域，步态识别技术大体可以分类两类:基于模板匹 配的方法和基于外观匹配的方法。基于模板匹配的方法从步态序列中抽取人体结构特征进 行匹配，这种方法对采集图像分辨率要求较高同时伴随着复杂的计算消耗。基于外观匹配 的方法适合于户外场景的步态识别，对采集图像分辨率要求有所降低，如何选择具有区分 度的特征是一大挑战，传统的手工设计特征难以提取到精确的步态特征，很难打破目前步 态识别技术的瓶颈。
[0004] 因为步态识别会遇到视角、衣着、携带物品、行走速度等因素的影响，造成现有技 术中用于判断识别的步态特征在不同行人之间的类间差异太小，而在不同场景下的相同行 人之间的类内差异太大，最终导致识别不准确。
【发明内容】
[0005] 本发明实施例公开了一种步态识别方法及装置，用于解决因用于判断识别的步态 特征在不同行人之间的类间差异太小，而在不同场景下的相同行人之间的类内差异太大， 从而造成识别不准确的问题。技术方案如下：
[0006] -种步态识别方法，该方法包括：
[0007] SI 1:提取待识别人的步态视频的初始步态特征；
[0008] S12:根据已训练好的子神经网络和所述初始步态特征，获取对应的优化步态特 征；
[0009] S13:根据待识别人的优化步态特征与匹配库中每个已知人物的优化步态特征，确 定对应的相似度，根据相似度最大时匹配库中的优化步态特征对应的已知人物的信息，确 定所述待识别人的信息；
[0010] 获得所述已训练好的子神经网络步骤包括：
[0011] S21:针对每个已知人物，获取该人物步态视频的初始步态特征；
[0012] S22:构建样本对集，所述样本对集包括第一样本对组和第二样本对组，所述第一 样本对组中每个样本对均为同一人的两个初始步态特征，所述第二样本对组中每个样本对 均为两个不同人的初始步态特征；
[0013] S23:根据所述第一样本对组和第二样本对组对包括两条并行设置且权重共享的 相同子神经网络的神经网络进行训练，使两条所述子神经网络针对第一样本对组输出的两 个优化步态特征的相似度大于所述子神经网络针对第二样本对组输出的两个优化步态特 征的相似度。
[0014] 优选地，所述根据相似度最大时匹配库中的优化步态特征对应的已知人物的信 息，确定所述待识别人的信息包括：
[0015] 在相似度最大时，判断最大相似度是否大于预设相似度阈值，若是，则将相似度最 大时匹配库中的优化步态特征对应的已知人物的信息，确定为所述待识别人的信息。
[0016] 优选地，两条所述子神经网络针对所有样本对输出汇聚到对比损失层；
[0017]根据对比损失层设置的对比损失函数，对每条子神经网络进行训练，使所述子神 经网络针对第一样本对组输出的两个优化步态特征的相似度大于所述子神经网络针对第 二样本对组输出的两个优化步态特征的相似度。
[0018]优选地，所述对比损失函数为：
[0023] i表示第i个样本对，心，心分别为样本对中的两个初始步态特征；当第i个样本对属 于第一样本对组时，y为1;当第i个样本对属于第二样本对组时，y为〇 ;p为样本对总数，W为 所述子神经网络的模型参数，m为设定的大于零的边界阈值，SwUihSwUs)是初始步态特征 Χι，Χ2对应的优化步态特征。
[0024] 优选地，所述子神经网络为三维卷积神经网络。
[0025]优选地，所述提取待识别人的步态视频的初始步态特征包括：
[0026]针对所述步态视频中的图序列，使用Graph Cut图像分割方法提取前景轮廓图序 列；
[0027] 将前景轮廓图序列的尺寸进行归一化，将所述归一化后的前景轮廓图序列作为初 始步态特征。
[0028] 优选地，第一样本对组包含的样本对数量与第二样本对组包含的样本对数量相 同。
[0029] 根据发明的另一方面，提出的一种步态识别装置，包括：
[0030] 提取模块，用于提取待识别人的步态视频的初始步态特征；
[0031] 生成模块，用于根据已训练好的子神经网络所述初始步态特征，获取对应的优化 步态特征；
[0032]识别模块，用于根据待识别人的优化步态特征与匹配库中每个已知人物的优化步 态特征，确定对应的相似度，根据相似度最大时匹配库中的优化步态特征对应的已知人物 的信息，确定所述待识别人的信息；
[0033] 所述装置还包括：
[0034] 训练模块，用于针对每个已知人物，获取该人物步态视频的初始步态特征;构建样 本对集，所述样本对集包括第一样本对组和第二样本对组，所述第一样本对组中每个样本 对均为同一人的两个初始步态特征，所述第二样本对组中每个样本对均为两个不同人的初 始步态特征;根据所述第一样本对组和第二样本对组对包括两条并行设置且权重共享的相 同子神经网络的神经网络进行训练，使两条所述子神经网络针对第一样本对组输出的两个 优化步态特征的相似度大于所述子神经网络针对第二样本对组输出的两个优化步态特征 的相似度。
[0035] 优选地，所述识别模块，具体用于在相似度最大时，判断最大相似度是否大于预设 相似度阈值，若是，则将相似度最大时匹配库中的优化步态特征对应的已知人物的信息，确 定为所述待识别人的信息。
[0036] 优选地，所述训练模块，具体用于根据对比损失层设置的对比损失函数，对每条子 神经网络进行训练，使所述子神经网络针对第一样本对组输出的两个优化步态特征的相似 度大于所述子神经网络针对第二样本对组输出的两个优化步态特征的相似度，所述对比损 失函数为：
[0041] i表示第i个样本对，心，心分别为样本对中的两个初始步态特征；当第i个样本对属 于第一样本对组时，y为1;当第i个样本对属于第二样本对组时，y为〇 ;p为样本对总数，W为 所述子神经网络的模型参数，m为设定的大于零的边界阈值，SwUihSwUs)是初始步态特征 Xl，X2对应的优化步态特征。
[0042] 有益效果：
[0043] 本发明实施例提供了一种步态识别方法及装置，该方法中构建包含两条并行设置 且权重共享的相同子神经网络的神经网络，通过第一样本对组和第二样本对组对神经网络 进行训练，使两条所述子神经网络针对第一样本对组输出的两个优化步态特征的相似度大 于所述子神经网络针对第二样本对组输出的两个优化步态特征的相似度;在进行步态特征 识别时，提取待识别人的步态视频的初始步态特征，根据已训练好的子神经网络和待识别 人的初始步态特征，获取对应的优化步态特征;根据待识别人的优化步态特征与匹配库中 每个已知人物的优化步态特征的相似度，确定对应的相似度，根据相似度最大时匹配库中 的优化步态特征对应的已知人物的信息，确定该待识别人的信息，由于子神经网络获得提 取具有较高区分度的优化步态特征的能力，因此，使识别结果具有较高的准确性。
[0044]当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优 点。
【附图说明】
[0045]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0046] 图1为本发明实施例提供的一种步态识别流程图。
[0047] 图2为本发明实施