一种基于步态分析的行人重识别方法与流程

本发明涉及于步态识别，尤其涉及一种基于步态分析的行人重识别方法。

背景技术：

1、行人重识别是各种安全应用中的重要任务，例如交通管理、避免碰撞和紧急情况。目前，人脸识别和指纹识别广泛应用于机场、银行、车站等安全敏感场所，因为它们在识别个体方面具有很高的准确性和可靠性；而基于步态的行人识别技术作为一种独特的人类行为，仍处于实验室阶段，并有限地应用于实际应用场景。步态是人类天生的行为，描述了人类在行走过程中的运动特征，包括身体轮廓、姿势、手臂等的运动变化。步态分析已广泛应用于各个领域，包括医学、工程和机器人技术，通过分析其步态模式来识别个体。例如，步态分析已通过分析患者步态模式而用于诊断和治疗parkinson's病和alzheimer's病。由于个体的生理结构差异(如身高、leg长度、肌肉分布和健康状况等)，尽管步态特征的视觉分辨率不如人脸识别、指纹识别和虹膜特征的高，但其仍然具有区分性。因此，因为它的独特性和根据步态模式识别个体的能力，基于步态的行人识别技术在身份验证、行人检测和安全监控等领域具有很大的应用潜力。

2、与常见的人类生物特征相比，基于步态的行人识别技术具有一些优点。首先，步态特征的提取过程非接触，这使得获取数据资源相对容易。其次，步态特征是鲁棒的，对距离和分辨率没有显著敏感性。第三，步态是对个人形状和长期行走习惯的客观反映，使其难以伪装、隐藏或模仿。然而，在将步态识别应用于行人重识别过程中，当收集视角变化或携带不同物品时，必须使用少量样本来识别相同的对象，这给步态特征的表示和提取带来了更大的挑战。

3、因此，亟需一种基于步态分析的行人重识别方法。

技术实现思路

1、本发明的目的是提供一种基于步态分析的行人重识别方法，以解决上述现有技术中的问题，具有更高的识别率，在行人识别中表现出更好的性能，提高了行人识别的有效性和鲁棒性。

2、本发明提供了一种基于步态分析的行人重识别方法，其中，包括：

3、获取步态数据集；

4、将所述步态数据集输入预先构建的至少由空间卷积网络和时间循环网络组成的双向并行网络，分别提取空间步态特征和时间步态特征，其中，所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征；

5、对所述空间步态特征和所述时间步态特征进行融合，得到行人重识别结果。

6、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述将所述步态数据集输入预先构建的至少由空间卷积网络和时间循环网络组成的双向并行网络，分别提取空间步态特征和时间步态特征，其中，所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征，具体包括：

7、将从所述步态数据集中随机提取的序列轮廓输入所述空间卷积网络中，所述空间卷积网络通过卷积层进行空间滤波，然后将输出传递给池化层以降低数据维度，最后通过全连接层最终输出空间步态特征；

8、将从所述步态数据集中随机提取的序列轮廓输入所述时间循环网络中，所述时间循环网络通过卷积层提取时间特征，然后通过循环层建模数据的时间相关性，最后通过全连接层生成最终输出，并且所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征。

9、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述将从所述步态数据集中随机提取的序列轮廓输入所述空间卷积网络中，所述空间卷积网络使用卷积层进行空间滤波，然后将输出传递给池化层以降低数据维度，最后通过全连接层最终输出空间步态特征，具体包括：

10、所述空间卷积网络通过三个顺序卷积模块提取帧级特征，每个顺序卷积模块由两个空间卷积层组成，并在每个卷积输出中使用leaky_relu激活函数增强网络的非线性性；

11、所述空间卷积网络通过三个顺序卷积模块之后的基于时间维度的最大池化层，将所述帧级特征转换为序列级步幅特征；

12、所述空间卷积网络通过水平金字塔映射模块，将所述序列级步幅特征映射到多尺度的高维全局空间特征。

13、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述将从所述步态数据集中随机提取的序列轮廓输入所述时间循环网络中，所述时间循环网络通过卷积层提取时间特征，然后通过循环层建模数据的时间相关性，最后通过全连接层生成最终输出，并且所述时间循环网络采用基于门控循环单元的时间评分策略，对网络分支中的每一帧的图像质量进行评估并修改帧序列权重，以得到时间增强后帧级特征，以使所述时间循环网络基于所述时间增强后帧级特征提取所述时间步态特征，具体包括：

14、时间循环网络通过与所述空间卷积网络共享的两个顺序卷积模块提取时间步帧级特征；

15、时间循环网络基于所述时间步帧级特征通过基于时间的注意力模块得到时间增强后帧级特征；

16、时间循环网络基于时间增强后帧级特征，通过长短期记忆网络来建模多个帧级运动特征的运动规律，得到最终全局时间步特征。

17、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述时间循环网络通过基于时间的注意力模块得到时间增强后帧级特征，具体包括：

18、通过最大池化层提取时间步帧级特征的主要信息；

19、将通过最大池化层处理过的时间步帧级特征通过门控循环单元模块传递，并且，每个周期单元根据相关步态序列的历史信息输出当前帧的注意力分数，并将当前帧的注意力分数作为当前帧的质量得分；

20、将每个帧的质量得分沿着时间轴进行归一化，形成帧级质量得分；

21、将所述帧级质量得分与所述时间步帧级特征相乘，得到时间增强后帧级特征。

22、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述时间循环网络基于时间增强后帧级特征，通过长短期记忆网络来建模多个帧级运动特征的运动规律，得到最终全局时间步特征，具体包括：

23、时间循环网络通过两层长短期记忆网络，移除所述时间增强后帧级特征中排序靠后的无效帧，得到最终全局时间步特征。

24、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述对所述空间步态特征和所述时间步态特征进行融合，得到行人重识别结果，具体包括：

25、通过时空特征融合模块对所述空间步态特征和所述时间步态特征进行融合，得到行人重识别结果。

26、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述通过时空特征融合模块对所述空间步态特征和所述时间步态特征进行融合，得到行人重识别结果，具体包括：

27、时空特征融合模块分别在所述水平金字塔映射模块之前和之后，对所述空间步态特征和所述时间步态特征进行连接融合，得到行人重识别结果。

28、如上所述的基于步态分析的行人重识别方法，其中，优选的是，所述基于步态分析的行人重识别方法，还包括：

29、通过三元组损失函数对所述双向并行网络进行训练。

30、本发明提供一种基于步态分析的行人重识别方法，从提高不同行人的表示能力的角度出发，从步态数据中提取空间步态特征和时间步态特征，以处理时间域和空间域中序列轮廓的步幅信息；并对二者进行融合，增强了提取的步态特征的区分能力，可以避免不同领域特征之间的相互干扰；通过基于门控循环单元的时间评分策略可以评估在提取时间步态特征的网络分支中的每一帧的图像质量，有效地提取了时间步态特征；与现有方法相比，在交叉视角和场景条件，例如携带背包和穿着重衣服的场景下，本发明的方法具有更高的识别率，在行人识别中表现出更好的性能，提高了行人识别的有效性和鲁棒性。