[发明专利]一种基于生成对抗网络的步态识别方法

说明书

本发明公开一种基于生成对抗网络的步态识别方法，在特征提取阶段，基于改进的生成对抗网络，使用反向转播算法训练得到一种能在多种不同类别的图像间进行转换的多领域转换模型；在步态识别阶段，首先把测试集和验证集中的步态视频转换成步态能量图，然后用上述多领域转换模型将测试样本的步态能量图转换成与验证集中状态域与视角域一致的步态能量图，通过比较测试样本与所有验证样本的相似度得出识别结果。本发明能同时处理视角、衣着、携带物三种干扰因素，且在处理跨视角步态识别问题上具有很强的鲁棒性，克服了现有步态识别技术在跨视角识别中准确率不高的缺点。本发明可以广泛应用在门禁系统、社会安全、司法刑侦等领域，适用于大多数配备监控视频的场景。

技术领域

本发明属于计算机视觉和模式识别技术，具体涉及一种基于生成对抗网络的步态识别方法。

背景技术

作为生物特征识别技术的重要组成部分，步态识别正在被广泛应用。利用步态进行身份识别主要有如下优点：1)步态识别是一种远距离非接触身份认证技术，操作上具有很大的灵活性和便捷性；2)步态识别可以在不影响被观测对象的情况下，完成特征的提取和识别过程，具有非侵扰性和强隐蔽性3)步态识别对视频分辨率要求不高，即使在分辨率相对较低的情况下，也可以完成身份识别任务。

在实际应用中，总有些步态噪声，如被观察者携带背包、穿着大衣及视频拍摄视角的不同等，会对步态识别的准确性造成影响。因此，如何在众多因素的干扰中提取出有用的特征用于步态识别一直是长期以来的研究重点。以往的步态识别方法，大多将同视角的识别作为主要研究对象，或只注重解决众多干扰因素中一个因素，而忽略了在实际情况下，影响识别准确率的干扰因素往往同时存在。此外，监控很难捕获到与已有数据库中相同视角的步态视频，这就产生了所谓的跨视角识别问题。

作为机器学习的一个重要分支，近年来深度学习发展迅猛，而生成对抗网络无疑是深受欢迎的一种深度学习模型之一。利用生成对抗网络可以生成高质量的图、音频或视频，最近的研究成果显示生成对抗网络在图像风格迁移，人脸表情转换等领域取得了很好的效果。因此，也可以用它来生成具有可用身份信息的步态特征图像。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于生成对抗网络的步态识别方法，通过对生成对抗网络的优化而提出一种多领域转换模型，该模型只需要一个生成器和一个判别器即可实现多个域间的图像转换，从而在保持重要的步态特征不变的情况下仍能得到需要的目标域图像并进行匹配，能有效提高跨视角情况下的步态识别准确率。

技术方案：本发明的一种基于生成对抗网络的步态识别方法，包括以下步骤：

步骤1：特征提取阶段：对数据集中所有已经标记好身份的行走视频进行处理，转换成为步态能量图，且步态能量图一半作为训练集另一半用作测试集。其中，训练和测试所用的数据集包含0°，18°，……，162°，180°共11个视角，以及正常状态(nm)、携带背包(bg)和穿着大衣(cl)三种行走状态。此外，测试所需的验证集包含上述11个视角和nm状态。取出训练集部分的步态能量图对基于生成对抗网络的多领域转换模型进行训练直至模型收敛。

步骤2：步态识别阶段：由于验证集样本全为nm行走状态，因此，运用步骤1中所述的多领域转换模型将测试样本转换成与验证集一致的视角和nm状态，得到新的测试样本步态能量图，然后再和验证集中所有步态能量图进行相似度比较，根据相似度大小得出识别结果。

上述领域转换模型包括一个判别器D和一个生成器G；该多领域转换模型完成两种转换，即不同视角之间的转换和穿着大衣和背包状态向正常行走状态的转换，两种转换任务可以同时进行，最终合成所需目标域图像。

进一步的，步骤1中所述的特征提取阶段的详细内容为：

步骤101：提取训练集的步态能量图；