[发明专利]一种基于深度学习的改进损失函数的步态识别方法

权利要求书

1.一种基于深度学习的改进损失函数的步态识别方法，其特征在于，所述方法包括以下步骤：

步骤1.使用步态识别数据集或者自行建立数据集，所述步态识别数据集包括CASIA-B或OU-MVLP，并对数据集进行预处理，过程如下：

1.1)若使用图像采集设备采集行人的步态图像，对采集到的图像使用deeplabv3+提取人体目标轮廓，转换成二值化图像；

1.2)利用中心线原则将图像切割成64*64；

1.3)将数据集分为训练集和测试集；

步骤2.训练阶段，即在训练集上训练深度卷积神经网络，过程如下：

2.1)搭建深度卷积神经网络，CNN模块提取图像的帧级特征，SP模块从帧级特征中提取序列级特征，MGP模块用于提取不同级别的序列信息，HPM用于同时提取局部和全局特征；

2.2)设计损失函数，定义损失函数如下：

其中，an表示原样本，po表示与an同一类别的样本，ne表示与an不同类别的样本，d(x，y)表示x和y在embedding空间上的欧式距离，margin为正整数用于扩大不同标签样本之间的距离，N表示一个batch中样本的数量，M表示类别的数量，P表示一个batch中的人数，K表示一个batch中每个人图片的数量，P(X)表示样本真实的分布，Q(X)表示网络预测的分布，L_BCE和L_BF为改进的损失函数；

2.3)将损失函数的权重σ₁和σ₂作为网络的参数；

2.4)初始化神经网络参数；

2.5)将步骤1得到的训练样本作为输入，对应的实际身份标签作为输出，成批次地输入到网络中，计算损失后，通过反向传播算法，调整网络参数和损失函数的权重；

2.6)重复2.5)，直至训练完成；

步骤3.测试阶段，测试数据为测试集或采集的数据，过程如下：

3.1)注册，输入步态图像序列集合G，通过网络前向传播对G中每一个图像序列g_i计算特征向量，得到特征向量集合F_g，保存在步态数据库中；

3.2)识别，输入步态图像序列Q，目标是在图像序列集合G中遍历全部序列找到相同的身份标签，通过网络前向传播得到特征向量F_q，与步态数据库F_g中每一个特征向量计算欧式距离，距离最小的特征向量对应的身份标签即为Q的标签。

2.如权利要求1所述的一种基于深度学习的改进损失函数的步态识别方法，其特征在于，所述步骤2中，训练阶段设置如下：优化器使用Adam，学习率为1e-4，总迭代次数为80K，batchsize为(8，8)，指一个batch取8个人，每个人8张图像，L_BA+的margin设置为2，损失函数的权重σ₁和σ₂皆初始化为0.5。