申请/专利权人：哈尔滨工程大学

申请日：2023-04-24

公开（公告）日：2024-06-25

公开（公告）号：CN116503943B

主分类号：G06F15/16

分类号：G06F15/16;G06V40/20

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2023.08.15#实质审查的生效;2023.07.28#公开

摘要：本发明涉及一种基于优选动态几何特征的可解释步态识别方法，以发现对识别行人身份起到重要作用的人体局部区域。本发明包括：从采集到的RGB步态序列中，提取步态序列的二值轮廓图；对步态序列进行人体关键点提取，根据人体骨骼的刚性结构对获得的关键点进行扩充；基于训练好的关键区域推断模型，对人体关键点的位置进行几何结构限制区域内的动态优化，推断并选择出人体重要局部区域；通过端到端的联合训练关键区域推断模型和深度步态识别模型，得到对步态识别最有利的人体关键部位。实施本发明，在保证步态识别精度的同时，能很好的解释人体的哪些局部区域在步态识别任务中是关键的，为任何深度步态识别模型提供可解释性的特征。

主权项：1.一种基于动态几何特征的可解释步态识别方法，其特征在于，包括：步骤100，对不同视角下的步态序列进行行人分割与步态轮廓序列提取，二值化处理和归一化处理；步骤200，对所述步态序列进行人体关键点提取和人体关键点扩充；步骤300，基于训练好的关键区域推断模型对关键点位置优化向量进行预测，动态精修在几何结构限制区域内的扩展关键点位置，并引入稀疏诱导函数，推断覆盖精修扩展关键点的重要局部区域；所述步骤300进一步包括以下步骤：步骤310，根据所述步骤200得到的人体关键点扩充结果，动态精修在几何结构限制区域内的扩展关键点位置，将人体关键点调整到最佳的位置；所述人体关键点优化公式为： gi＝G1X；θ1式中Ei为原来人体二维关键点的坐标，和分别为原来人体二维关键点的水平和垂直坐标，Pi代表精调后的关键点的坐标，θ为骨骼方向的垂直线与水平线之间的角度，gi为人体关键点横向移动幅度的一维向量，为了保持关键点在人体轮廓内的运动，将gi归一化，其最大值由Ei所在的骨垂直线上的肢体宽度决定；G1表示关键区域推断模型中的3D卷积神经网络，X为步态二值轮廓图序列，θ1为3D卷积神经网络中的参数；步骤320，根据所述步骤310得到的动态精修后的扩展关键点位置，引入稀疏诱导函数，推断覆盖精修扩展关键点的重要局部区域；所述重要局部区域选择向量h的推断公式为：h＝SG2X；θ2；T式中G2为3D卷积神经网络，参数θ2与所述步骤310中3D卷积神经网络复用，只在最后一层全连接层有所区别，最后一层经由稀疏诱导函数S得到一个稀疏化的向量，完成特征选择；稀疏诱导函数S通过GumbelSoftmax函数实现，τ是GumbelSoftmax函数中的温度参数，用来控制稀疏化程度，通过高斯核d·处理所述步骤310得到人体关键点的优化结果Pi，首先建立一个维度为n×m×H×W×2的网格坐标矩阵Cxy，其中n表示有n帧图片，m表示每帧人体关键点个数，H和W分别表示图片的宽和高，和二值轮廓图的宽高对应相等，对每个网格坐标x，y，处理公式如下: 再通过所述重要局部区域选择向量h进行选择得到最后需要的区域，公式如下：X'＝X☉Dxy·h式中X为步态二值轮廓图序列，Dxy为所述高斯核处理生成的蒙版，X’为推断覆盖精修扩展关键点的重要局部区域；步骤400，联合训练所述关键区域推断模型和深度步态识别模型，对经由所述关键区域推断模型的步态图关键部位，进一步提取特征识别分类；其中，所述关键区域推断模型的骨干网络为3D卷积神经网络；所述稀疏诱导函数通过GumbelSoftmax函数实现；所述深度步态识别模型为任意可微的步态识别模型。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学 一种基于优选动态几何特征的可解释步态识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD