[发明专利]一种基于深度相机和3D卷积神经网络的步态识别方法

说明书

本发明提供了一种基于深度相机和3D卷积神经网络的步态识别方法，其特征在于，包括步骤：a)利用深度相机采集行人步态的RGB‑D图像序列；b)获取每帧图像的步态剪影以及剪影对应的深度图像剪影；c)将每帧剪影图像和深度图像剪影组成双通道的步态图像；d)归一化步态图像序列；e)将步态图像序列输入3D卷积神经网络，前向传播并输出识别结果。

技术领域

本发明是一种基于深度相机和3D卷积神经网络的步态识别方法，涉及图像处理、模式识别、深度传感器、深度学习等技术领域。

背景技术

步态识别是一种生物特征识别技术，能够根据视频序列中行人走路的姿态识别行人身份；与传统的指纹、人脸、虹膜等生物识别技术相比，具有非接触识别、易于隐藏，采集方便等优势，尤其适用于远距离场景下的目标识别任务。深度相机是一种能够同时记录RGB图像和深度图像的传感器，与传统相机相比，能够为目标识别任务提供更丰富、更立体的图像信息。卷积神经网络是一种常用的深度学习框架，随着深度学习在图像处理和模式识别方面的应用，卷积神经网络的研究和应用也越来越受到人们的重视，传统的2D卷积神经网络是以图像为输入数据，提取图像数据的空间分布特征，3D卷积神经网络是以连续的图像序列或视频序列为输入，能够同时提取输入数据在时间和空间的分布特征。深度相机和3D卷积神经网络结合应用将会显著提高步态识别的准确率。

发明内容

本发明的目的在于提供了一种基于深度相机和3D卷积神经网络的步态识别方法，其特征在于，包括步骤：a)利用深度相机采集行人步态的RGB-D图像序列；b)获取每帧图像的步态剪影以及剪影对应的深度图像剪影；c)将每帧剪影图像和深度图像剪影组成双通道的步态图像；d)归一化步态图像序列；e)将步态图像序列输入3D卷积神经网络，前向传播并输出识别结果。

优选地，所述步骤d的具体步骤为：

d1)定位步态剪影的最上和最下像素点，从而计算步态剪影的高度h₀；

d2)定位步态剪影的最左和最右像素点，从而计算步态剪影的宽度w₀；

d3)根据步态剪影的高度和宽度，计算剪影的质心位置；

d4)给定一个纵横比r，以质心为中心，用w₀×h₀的矩形裁剪步态图像，其中w₀＝h₀*r；

d5)将已裁剪的步态图像等比例缩放到3D卷积神经网络的输入尺寸；

d6)根据时间顺序将步态图像重组成步态序列I₁,其维度为w_i×h_i×c_i×m，w₁，h₁，c₁，m₁分别为I₁的宽度，高度，通道数和序列帧数。

优选地，所述步骤e中3D卷积神经网络前向传播的步骤为：

e1)第一组3D卷积层，对步骤d)所得的图像序列进行3D卷积操作，卷积核大小为kw₁×kh₁×km₁，步长为ks₁，卷积核个数为kn₁；其卷积输出为