基于步态信息的用户识别方法、装置、电子设备及存储介质

1.本发明涉及一种人工智能技术领域，尤其涉及一种基于步态信息的用户识别方法、装置、电子设备及存储介质。


背景技术：

2.用户身份识别是支撑物联网安全的基础性服务之一，当前用户身份识别主要采用基于视觉的识别方式，通过摄像头提取用户视觉特征完成用户身份识别。然而，基于视觉的身份识别受限于环境光照等挑战，在黑暗环境下无法正常工作。人脸面部信息广泛被利用于支付和密码识别等多种场景，但是人脸面部信息的识别会受到光线、面部遮挡等的影响，相比之下，步态信息识别更为隐私。
3.现有的步态识别技术对于用户身份识别的精度不高，进而影响用户体验度。因此，需要一种基于步态信息的用户识别方法以解决上述的技术问题。


技术实现要素：

4.本发明实施例提供一种基于步态信息的用户识别方法、装置、电子设备及存储介质，解决了上述的技术问题。
5.第一方面，本发明实施例提供了一种基于步态信息的用户识别方法，方法包括：
6.对待识别用户进行步态数据采集，获得步态数据；
7.基于预先训练获得的当前身份识别模型，对所述步态数据进行用户识别处理，获得识别结果；
8.在所述识别结果未包含目标用户标签的情况下，为所述步态数据添加用户标签；基于所述步态数据以及相对应的用户标签，对所述当前身份识别模型进行模型训练，获得更新后的当前身份识别模型，以基于所述更新后的当前身份识别模型对步态数据进行用户识别；
9.在所述识别结果包含目标用户标签的情况下，基于所述目标用户标签获得所述待识别用户的用户身份。
10.第二方面，本发明实施例还提供了一种基于步态信息的用户识别装置，装置包括：
11.步态数据获取模块，用于对待识别用户进行步态数据采集，获得步态数据；
12.识别结果获取模块，用于基于预先训练获得的当前身份识别模型，对所述步态数据进行用户识别处理，获得识别结果；
13.模型更新模块，用于在所述识别结果未包含目标用户标签的情况下，为所述步态数据添加用户标签；基于所述步态数据以及相对应的用户标签，对所述当前身份识别模型进行模型训练，获得更新后的当前身份识别模型，以基于所述更新后的当前身份识别模型对步态数据进行用户识别；
14.用户身份确定模块，用于在所述识别结果包含目标用户标签的情况下，基于所述目标用户标签获得所述待识别用户的用户身份。
15.第三方面，本发明实施例还提供了一种电子设备，其特征在于，所述电子设备包括：
16.一个或多个处理器；
17.存储装置，用于存储一个或多个程序，
18.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如如本发明任一实施例所述的基于步态信息的用户识别方法。
19.第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任一实施例所述的基于步态信息的用户识别方法。
20.本发明实施例中，对待识别用户进行步态数据采集，获得步态数据，基于预先训练获得的当前身份识别模型，对步态数据进行用户识别处理，得到识别结果。在识别结果未包含目标用户标签的情况下，为步态数据添加用户标签，基于步态数据以及相对应的用户标签，对当前身份识别模型进行模型训练，获得更新后的当前身份识别模型，以基于更新后的当前身份识别模型对步态数据进行用户识别，实现了当再次获取到该待识别用户的步态数据，可以基于步态数据获得该待识别用户的用户身份，提高了用户体验度。在识别结果包含目标用户标签的情况下，基于目标用户标签获得待识别用户的用户身份，相对于人脸识别、指纹识别等，不需要考虑光线或者手指是否有水渍等因素的影响，使得用户身份识别的更加准确。
附图说明
21.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。
22.其中：
23.图1为一个实施例中的一种基于步态信息的用户识别方法的流程示意图；
24.图2为另一个实施例中的一种步态数据采集设备的示意图；
25.图3为另一个实施例中的一种基于步态信息的用户识别装置的结构示意图；
26.图4为另一个实施例中的一种电子设备的结构示意图。
具体实施方式
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.在一本发明实施例中，提供一种基于步态信息的用户识别方法，本发明实施例可适用于对用户的步态信息进行识别的情况，该方法可以由基于步态信息的用户识别装置来执行，该装置可以通过软件和/或硬件的形式实现。
29.如图1所示，本发明实施例的基于步态信息的用户识别方法包括：
30.s110、对待识别用户进行步态数据采集，获得步态数据。
31.其中，待识别用户是指需要进行身份识别的用户。步态数据可以是指通过wifi采集到的csi信号的步态数据，还可以是指通过图像采集设备采集到的步态图像数据。
32.本发明实施例中，采集待识别用户的步态数据，可选地，可以预先设置采集周期，按照采集周期采集待识别用户的步态数据。待识别用户的步态数据为后续进行待识别用户的身份识别做准备工作。
33.可选的，在目标区域设置wifi发射器和接收器，待识别用户在wifi发射器和接收器之间走动，接收器获取步态数据。目标区域可以是走廊、玄关、楼道等区域。在过道两侧设置wifi发射器和接收器，当待识别用户经过过道时，接收器采集到待识别用户的步态数据。
34.示例性的，本发实施例设计了获取待识别用户的步态数据的实验，实验设备包括：hp8530p笔记本电脑，内置5300 802.11n卡作为接收器，一个wifi路由器netgear r7000作为发射器。实验环境包括：在走廊两侧分别放置三个wifi发射器和三个接收器，实验者在试验布置的wifi发射器和接收器之间走动，通过wifi发射器发出信号，通过接收器接收实验者的步态数据，参见图2。t1、t2和t3表示wifi发射器，r1、r2和r3表示接收器。应当理解，步态数据包括9组数据，每组数据的采集时间不超过5s，将采集到的9组数据以矩阵形式进行转换，得到9*30*3200的矩阵。9代表9组数据，30代表每组数据中包括的30个子载波，3200表示每个子载波包括的3200个csi流。通过这样步态数据采集方法，可以采集到实验者的步态数据。
35.可选地，由于wifi信号本身具有环境噪声和csi相位不稳定的特性，因此，在采集到步态数据时，需要对步态数据进行预处理，以得到可以输入到当前身份识别模型中的步态数据。具体的，本发明实施例通过中值滤波的方法对每组的30个子载波执行异常值去除。并且，为了对步态数据进行增强信息，提高步态数据的识别效果，对采集到的步态数据进行短时傅里叶变换，得到频谱图，并在其中截取20-80hz频带的相对关键的数据作为输入到当前身份识别模型中的步态数据。
36.s120、基于预先训练获得的当前身份识别模型，对所述步态数据进行用户识别处理，获得识别结果。
37.其中，当前身份识别模型是指对步态数据进行处理后，可以得到用户身份识别结果的模型。识别结果可以是用户标签，也可以是未知用户，也即没有用户标签。
38.具体的，通过预先训练获得的当前身份识别模型，对步态数据进行用户识别处理，得到识别结果，为后续根据识别结果进行待识别用户的用户身份确定，或者更新模型做准备工作。
39.s130、在所述识别结果未包含目标用户标签的情况下，为所述步态数据添加用户标签；基于所述步态数据以及相对应的用户标签，对所述当前身份识别模型进行模型训练，获得更新后的当前身份识别模型，以基于所述更新后的当前身份识别模型对步态数据进行用户识别。
40.其中，未包含目标用户标签是指步态数据对应的识别结果为未知用户，在当前身份识别模型中，没有训练待识别用户的步态数据，所以无法获知待识别用户的步态数据的用户标签。
41.本发明实施例中，在识别结果未包含目标用户标签的情况下，为步态数据添加用
户标签，基于步态数据和步态数据对应的用户标签，训练当前身份识别模型，获得更新后的当前身份识别模型，以基于更新后的当前身份识别模型对步态数据进行用户识别。这样，当再次采集到该待识别用户的步态数据时，更新后的当前身份识别模型就可以识别出待识别用户的用户标签，提高了待识别用户的身份识别的效率和准确度。
42.s140、在所述识别结果包含目标用户标签的情况下，基于所述目标用户标签获得所述待识别用户的用户身份。
43.其中，目标用户标签是指通过当前身份识别模型对步态数据进行处理后，得到的待识别用户的用户标签。用户标签和用户身份一一对应。
44.本发明实施例中，在识别结果包括目标用户标签的情况下，基于目标用户标签获得待识别用户的用户身份，进而基于采集到的步态数据可以知道待识别用户的用户身份，相对于图像识别等，需要考虑光线等问题，通过步态数据确定用户身份，可以提高用户身份确定的精确度。可选地，可以根据用户标签与用户身份的对应关系以及用户标签，确定用户标签对应的用户身份。
45.本发明实施例中，对待识别用户进行步态数据采集，获得步态数据，基于预先训练获得的当前身份识别模型，对步态数据进行用户识别处理，得到识别结果。在识别结果未包含目标用户标签的情况下，为步态数据添加用户标签，基于步态数据以及相对应的用户标签，对当前身份识别模型进行模型训练，获得更新后的当前身份识别模型，以基于更新后的当前身份识别模型对步态数据进行用户识别，实现了当再次获取到该待识别用户的步态数据，可以基于步态数据获得该待识别用户的用户身份，提高了用户体验度。在识别结果包含目标用户标签的情况下，基于目标用户标签获得待识别用户的用户身份，相对于人脸识别、指纹识别等，不需要考虑光线或者手指是否有水渍等因素的影响，使得用户身份识别的更加准确。
46.在另一本发明实施例中，所述基于预先训练获得的当前身份识别模型，对所述步态数据进行用户识别处理，获得识别结果，包括：基于所述当前身份识别模型中的当前卷积网络模型，对步态数据进行特征提取，得到特征向量；基于所述身份识别模型中的分类模型对所述特征向量进行用户识别处理，获得识别结果。
47.其中，当前身份识别模型包括当前卷积网络模型和分类模型。可选地，分类模型可以包括随机森林模型、knn模型、朴素贝叶斯模型、支持向量集模型、回归分析模型中的任意一种。当前卷积网络模型可以是lenet网络模型、alexnet网络模型、resnet网络模型中的任意一种。可选地，本发明实施例选择resnet作为当前卷积网络模型，卷积层的层数可以为18。
48.具体的，基于当前卷积网络模型对步态数据进行特征提取，得到特征向量，基于分类模型对特征向量进行用户识别处理，得到识别结果。通过训练获得的当前卷积网络模型可以很好提取出步态数据中的特征，通过分类模型的分类，进而得到步态数据对应的识别结果，提高了识别结果确定的精确度。应当理解，分类模型也可以是经过训练后获得的。
49.在另一本发明实施例的技术方案中，所述基于所述身份识别模型中的分类模型对所述特征向量进行用户识别处理，获得识别结果，包括：基于所述身份识别模型中的分类模型对特征向量进行分类处理，得到所述特征向量属于各个用户标签的概率；确定各概率中数值最高、且大于预设阈值的概率为目标概率；将所述目标概率对应的用户标签确定为目
标用户标签，以获得所述识别结果。
50.本发明实施例中，根据身份识别模型中的分类模型对特征向量进行分类处理，得到特征向量属于各个用户标签的概率，确定各个概率中数值最高、且大于预设阈值的概率为目标概率，将目标概率对应的用户标签确定为目标用户标签，进而得到了识别结果。
51.示例性的，参见表1，用户标签包括用户a、用户b、用户c、用户d以及用户e，预设阈值为40％。特征向量a属于各个用户标签的概率依次为20％，30％，70％，80％，95％，概率中最高值为95％，对应的用户标签为用户e，并且大于预设阈值，则将95％确定为目标概率，95％对应的用户e确定目标用户标签，进而得到了识别结果为用户e。
52.表1
[0053][0054]
在另一本发明实施例中，在所述基于预先训练获得的当前身份识别模型，对所述步态数据进行用户识别处理，获得识别结果之前，所述方法还包括：对训练数据集进行三元组采样，得到多个三元组数据；通过初始卷积网络模型中的初始特征提取子模型对每个三元组数据进行处理，得到多个步态特征向量；通过所述初始卷积网络模型中的三元组损失函数对每个步态特征向量进行处理，得到多个三元组数据的损失值，根据每个三元组数据的损失值，得到整体损失值；基于所述整体损失值对所述初始特征提取子模型进行调整，直至所述整体损失值位于预设范围内，以获得所述当前卷积网络模型。
[0055]
其中，三元组采样是指从训练数据集中获取相同用户的两个步态数据，将其中一个标记为锚点样本，另一个标记为阳性样本，再从训练数据集中获取一个其他用户的步态数据作为阴性样本，阳样本为相同用户的步态数据，负样本除了锚点样本之外的其他用户的步态数据。这样获取多个三元组数据。初始卷积网络模型为resnet18网络模型，将初始卷积网络模型中的损失函数替换为三元组损失函数，三元组损失函数的隐藏维数可以设置为8。激活函数可以为relu函数。由于三元组损失函数属于度量学习方法，因此，将初始卷积网络模型和三元组损失函数相结合，得到深度度量学习方式。深度度量学习的方法可以提高特征向量提取的准确度，使特征向量中的信息更加丰富，更能表现步态数据的特点，也即更准确的提取步态特征，从而使得基于步态数据识别到用户标签的准确度更高。且可以识别未知用户的特征，从而使得步态识别模型可以识别未知用户。
[0056]
具体的，通过初始卷积网络模型中的初始特征提取子模型对每个三元组数据进行处理，得到多个步态特征向量，通过初始卷积网络模型中的三元组损失函数对每个步态特征向量进行处理，得到多个三元组数据的损失值，对每个三元组数据的损失值进行加和求平均值，将平均值作为整体损失值，基于整体损失值对初始特征提取子模型进行调整，直至整体损失值位于预设范围内，获得当前卷积网络模型。可选地，对于基于每个三元组数据的损失值得到整体损失值的方法，还可以使求这些损失值的方差，或者均方差。应当理解，预设范围可以根据实际情况进行设置。
[0057]
可选地，通过初始卷积神经网络的特征提取子模型对步态数据x通过卷积变换，得到特征嵌入空间e(x；θ)，此时的e()表示卷积，θ表示卷积参数，比如，每个卷积层的权值
等。特征嵌入空间的过程，也即特征映射的过程为：将步态数据x通过l2归一化映射到嵌入空间的d维超球面空间，也即三元损失函数映射后的空间，可以表示成e(x；θ)∈rd，并且满足||e(x；θ)||2＝1。比如，通过三元组损失函数计算x1和y1的语义相似度d(x1,y1,θ)时，可以使用欧氏距离计算嵌入特征之间的距离网络：在本发明实施例中，为了方便阐述，将通过d
x1y1
来表示d(x1,y1,θ)，对于锚点样本a，阳性样本p，阴性样本n，可以得到公式1：其中，[a]
+
表示若是a大于0，则取a，若是a小于零，则取零。α表示人工设置的阈值。其中，α是阳性样本和阴性样本的边缘块，所有的三元组步态数据(a,p,n)∈t。t表示wifi步态数据集。通过上述的公式1可以实现锚点样本相比于阴性样本更加接近阳性样本。
[0058]
本发明实施例对三元组损失函数进行了优化，参见公式2：
[0059][0060]
其中，b表示批次的总数，在采样时，对每个批次中的数据进行采样。a是锚点样本，p是阳性样本，n是阴性样本，α是阳性样本和阴性样本的边缘块，i是批次数，可以是1,2,3,
……
b。至于的选择，是基于的欧几里德距离，是指根据欧几里德距离选择负样本，用来选择距离正样本具有适当的距离的负样本，这种负样本的信息量更丰富。这样设置可以发挥三元组损失函数的作用，避免阳性样本过拟合的问题。
[0061]
可选地，由于三元组损失函数，可以实现同一类型数据之间的欧式距离相对于不同类型数据的距离更近。因此，分类模型可以选择knn模型，结合卷积网络模型映射到特征空间中每个类别之间的距离，可以使得深度度量学习的效果更好。比如，对目标数据φ，l(φ)＝(1-μ)l1(φ)+μl2(φ)其中，μ为参数，表示推和拉的比例，推表示两个不同数据类型之间的距离增大，拉表示两个相同数据类型的数据之间的距离减少。
[0062]
对于l1()表示将数据推到与它数据类型相同的数据更近的位置，也就是，计算目标数据与相同数据类型的其他数据的最小距离，距离越近可以理解为二者的相似度越高：
[0063]
l1(φ)＝∑
i,j∈t(i)di,j
t(i)是数据i和数据j的目标邻居，也是与数据i和j相同用户的步态数据的一个锚点。上述公式表示将数据i拉到与目标邻居t(i)更近的距离。
[0064]
对于l2()表示将数据推到与它数据类型不同的数据更远的位置：
[0065]
l2(φ)＝∑
a,n,ya≠yn
[m+d
a,t(a)-d
an
]
+
[0066]
其中，da,t(a)表示，数据a和数据a的目标邻居之间的距离，目标邻居t(a)是指与数据a相邻的相同用户的步态数据的一个锚点。ya≠yn表示数据a和数据n属于不同的用户的步态数据的锚点，y表示步态数据对应的用户。m为参数，表示a与n之间的距离大于m时，将n推到距离a更远的位置。应当理解，上述的两个公式l1(φ)和l2(φ)中的所提到的数据是指步态数据。两个数据的数据类型不同也就是两个数据不属于同一个用户。
[0067]
本发明实施例通过对待识别用户的步态数据进行识别，若是识别结果为未包含目标用户标签，则将步态数据添加用户标签，并将步态数据和相应的用户标签添加到训练数据集中，得到新的训练数据集，对新的训练数据集进行三元组采样，得到新的三元组步态数据，进而根据新的三元组步态数据对已经训练得到的当前卷积网络模型进行再次的模型训
练，得到更新后的当前卷积网络模型。
[0068]
在另一本发明实施例中，所述对各所述目标步态数据进行聚类，获得若干数据类别，包括：按照预定的时间间隔，定时获取所述预定的时间间隔内的各目标步态数据，以至基于各所述目标步态数据，定时对所述所述当前身份识别模型中的当前卷积网络模型进行模型更新。
[0069]
应当理解，当前卷积网络模型更新的时间点在获取各目标步态数据之后。
[0070]
本发明实施例中，按照预定的时间间隔，定时获取预定的时间间隔内的各目标步态数据，并基于各目标步态数据，定时对当前身份识别模型中的当前卷积网络模型进行模型更新，以使当前卷积网络模型可以适用于各个目标步态数据对应的待识别用户，进而使得当前身份识别模型可以识别出各个目标步态数据对应的待识别用户。
[0071]
可选的，可以在获取了各目标步态数据之后，将各目标步态数据添加用户标签，并直接使用各目标步态数据以及相对应的用户标签，训练当前卷积网络模型，当然，也可以将各目标步态数据添加到训练数据集中，得到新的训练数据集，以基于新的训练数据集训练当前卷积网络模型，得到更新的当前卷积网络模型。
[0072]
可选的，基于所述步态数据以及相对应的用户标签，对所述当前身份识别模型进行模型训练，包括：基于所述步态数据以及相对应的用户标签，对所述当前身份识别模型中的当前卷积网络模型进行模型训练，具体包括：确定未包含有目标用户标签的若干目标识别结果；获取各所述目标识别结果对应的目标步态数据；对各所述目标步态数据进行聚类，获得若干数据类别；为各所述数据类别添加用户标签；将各所述用户标签以及与用户标签对应的至少一个目标步态数据添加到训练数据集中，以得到新的训练数据集；基于所述新的训练数据集对所述当前身份识别模型中的当前卷积网络模型进行模型训练。
[0073]
其中，对目标步态数据进行聚类的算法包括但不限于k-means算法、dbscan算法、谱聚类算法、高斯混合混合模型(gmm)等。
[0074]
本发明实施例中，在对当前身份识别模型进行模型训练时，是对当前身份识别模型中的当前卷积网络模型进行模型训练。具体的，确定未包含有目标用户标签的若干目标识别结果，获取目标识别结果对应的目标步态数据，并对目标步态数据进行聚类，得到至少一个数据类别，为数据类别添加用户标签，将各个用户标签以及与用户标签对应的至少一个目标步态数据添加到训练数据集中，以得到新的训练数据集；基于新的训练数据集对当前卷积网络模型进行模型训练，使得当前卷积网络模型可以学习到目标步态数据中的特征，进而在再次采集到步态数据时，可以识别出目标步态数据中的特征。
[0075]
在另一本发明实施例中，提供一种基于步态信息的用户识别装置，本发明实施例所提供的基于步态信息的用户识别装置可执行本发明任一实施例所提供的基于步态信息的用户识别方法，具备执行方法相应的功能模块和有益效果。参见图3，该装置包括：步态数据获取模块310、识别结果获取模块320、模型更新模块330和用户身份确定模块340；其中：
[0076]
步态数据获取模块310，用于对待识别用户进行步态数据采集，获得步态数据；识别结果获取模块320，用于基于预先训练获得的当前身份识别模型，对所述步态数据进行用户识别处理，获得识别结果；模型更新模块330，用于在所述识别结果未包含目标用户标签的情况下，为所述步态数据添加用户标签；基于所述步态数据以及相对应的用户标签，对所述当前身份识别模型进行模型训练，获得更新后的当前身份识别模型，以基于所述更新后
的当前身份识别模型对步态数据进行用户识别；用户身份确定模块340，用于在所述识别结果包含目标用户标签的情况下，基于所述目标用户标签获得所述待识别用户的用户身份。
[0077]
进一步的，本发明实施例中的识别结果获取模块320，还用于：
[0078]
基于所述当前身份识别模型中的当前卷积网络模型，对步态数据进行特征提取，得到特征向量；基于所述身份识别模型中的分类模型对所述特征向量进行用户识别处理，获得识别结果。
[0079]
进一步的，本发明实施例中的识别结果获取模块320，还用于：
[0080]
基于所述身份识别模型中的分类模型对特征向量进行分类处理，得到所述特征向量属于各个用户标签的概率；确定各概率中数值最高、且大于预设阈值的概率为目标概率；将所述目标概率对应的用户标签确定为目标用户标签，以获得所述识别结果。
[0081]
进一步的，本发明实施例中的装置还包括：
[0082]
当前卷积网络模型训练模块，用于对训练数据集进行三元组采样，得到多个三元组数据；通过初始卷积网络模型中的初始特征提取子模型对每个三元组数据进行处理，得到多个步态特征向量；通过所述初始卷积网络模型中的三元组损失函数对每个步态特征向量进行处理，得到多个三元组数据的损失值，根据每个三元组数据的损失值，得到整体损失值；基于所述整体损失值对所述初始特征提取子模型进行调整，直至所述整体损失值位于预设范围内，以获得所述当前卷积网络模型。
[0083]
进一步的，本发明实施例中的模型更新模块330，还用于：
[0084]
基于所述步态数据以及相对应的用户标签，对所述当前身份识别模型中的当前卷积网络模型进行模型训练，具体用于：确定未包含有目标用户标签的若干目标识别结果；获取各所述目标识别结果对应的目标步态数据；对各所述目标步态数据进行聚类，获得若干数据类别；
[0085]
为各所述数据类别添加用户标签；将各所述用户标签以及与用户标签对应的至少一个目标步态数据添加到训练数据集中，以得到新的训练数据集；基于所述新的训练数据集对所述当前身份识别模型中的当前卷积网络模型进行模型训练。
[0086]
进一步的，本发明实施例中的模型更新模块330，还用于：
[0087]
按照预定的时间间隔，定时获取所述预定的时间间隔内的各目标步态数据，以至基于各所述目标步态数据，定时对所述所述当前身份识别模型中的当前卷积网络模型进行模型更新。
[0088]
进一步的，本发明实施例中的所述当前卷积网络模型包括resnet网络模型，所述分类模型包括knn模型。
[0089]
本发明实施例中，对待识别用户进行步态数据采集，获得步态数据，基于预先训练获得的当前身份识别模型，对步态数据进行用户识别处理，得到识别结果。在识别结果未包含目标用户标签的情况下，为步态数据添加用户标签，基于步态数据以及相对应的用户标签，对当前身份识别模型进行模型训练，获得更新后的当前身份识别模型，以基于更新后的当前身份识别模型对步态数据进行用户识别，实现了当再次获取到该待识别用户的步态数据，可以基于步态数据获得该待识别用户的用户身份，提高了用户体验度。在识别结果包含目标用户标签的情况下，基于目标用户标签获得待识别用户的用户身份，相对于人脸识别、指纹识别等，不需要考虑光线或者手指是否有水渍等因素的影响，使得用户身份识别的更
加准确。
[0090]
值得注意的是，上述装置所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
[0091]
在另一个本发明实施例中，提供一种电子设备。图4为本发明实施例提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施例实施方式的示例性电子设备50的框图。图4显示的电子设备50仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0092]
如图4所示，电子设备50以通用计算设备的形式表现。电子设备50的组件可以包括但不限于：一个或者多个处理器或者处理单元501，系统存储器502，连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
[0093]
总线503表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0094]
电子设备50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备50访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0095]
系统存储器502可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)504和/或高速缓存存储器505。电子设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统506可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0096]
具有一组(至少一个)程序模块507的程序/实用工具508，可以存储在例如存储器502中，这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
[0097]
电子设备50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信，还可与一个或者多个使得用户能与该电子设备50交互的设备通信，和/或与使得该电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口511进行。并且，电子设备50还可以通过网络适配器512与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器512通过总线503与电子设备50的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0098]
处理单元501通过运行存储在系统存储器502中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于步态信息的用户识别方法。
[0099]
在另一个本发明实施例中，还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于步态信息的用户识别方法，所述方法包括：
[0100]
对待识别用户进行步态数据采集，获得步态数据；基于预先训练获得的当前身份识别模型，对所述步态数据进行用户识别处理，获得识别结果；在所述识别结果未包含目标用户标签的情况下，为所述步态数据添加用户标签；基于所述步态数据以及相对应的用户标签，对所述当前身份识别模型进行模型训练，获得更新后的当前身份识别模型，以基于所述更新后的当前身份识别模型对步态数据进行用户识别；在所述识别结果包含目标用户标签的情况下，基于所述目标用户标签获得所述待识别用户的用户身份。
[0101]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0102]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0103]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0104]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0105]
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。