[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

说明书

一种基于深度学习的改进损失函数的步态识别方法，包括以下步骤：步骤1、获取行人步态数据集；步骤2、对步骤1得到的训练数据进行预处理，利用中心线原则将数据切割成64*64；步骤3、搭建深度卷积神经网络；步骤4、设计损失函数；步骤5、初始化神经网络参数；步骤6、训练搭建好的神经网络，将步骤2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；步骤7、使用训练好的网络对未知数据进行识别，分为注册与识别两个阶段。通过本发明的方法能够更好的保留时间和空间维度上的运动信息，在背包、穿大衣等复杂场景下达到更好的识别效果。

技术领域

本发明属于计算机视觉技术领域，涉及一种基于深度学习的改进损失函数的步态识别方法。

技术背景

步态识别通过人们走路的姿势进行身份识别，与其它的生物特征识别技术相比，步态识别具有非接触、远距离和不容易伪装等优点，在预防犯罪、法医鉴定和社会保障方面具有广泛的应用。

目前步态识别主要分为看作图像和看作视频序列两大类方法。前者将所有的步态轮廓图压缩成一副图像，将步态识别看成一个图像匹配问题，很显然这种方法忽视了步态中的时间维度上的信息，也无法建模精细的空间维度的信息；后者从轮廓中提取特征，使用LSTM、3D-CNN或者双流法，可以很好地建模步态识别中时间、空间维度的信息，但其计算代价高昂也不易于训练。目前步态识别方法基本都是在去背景的二值化图上面进行，准确率受目标自身的穿着、打扮与摄像头的角度等因素的影响。

发明内容

为了克服现有技术的不足，在易于训练的同时不丢失时间、空间维度的信息，同时能提高在目标穿大衣、背包等复杂场景下的准确率，本发明提供一种基于深度学习的改进损失函数的步态识别方法，将步态图像看成图像集合，并对损失函数进行改进。

为了解决上述技术问题，本发明能够提供如下的技术方案：

一种基于深度学习的改进损失函数的步态识别方法，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为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；