[发明专利]一种面向复杂场景细粒度属性驱动的步态数据集合成方法

说明书

本发明公开了一种面向复杂场景细粒度属性驱动的步态数据集合成方法，并且使用此方法生成了一组可以有效提升步态识别性能的虚拟步态数据集。具体包括以下步骤：生成多属性的行人3D模型；获取用于绑定的行人步态动作；将步态动作绑定到生成的3D模型上，获得行走的3D行人模型；在3D引擎中搭建多角度步态数据捕获场景；采集步态剪影图数据和细粒度标签，并进行数据预处理；使用主流步态识别框架预训练检验生成的虚拟数据集的效果。本发明用于生成虚拟的行人步态数据集，生成的数据具有高质量，多视角，多属性等特点，主流算法使用本数据集进行预训练很好的提升了识别性能与鲁棒性。

技术领域

本发明属于计算机视觉领域，具体涉及一种面向复杂场景细粒度属性驱动的步态数据集合成方法。

背景技术

行人步态识别被定义为如下问题：在一组包含行人走路姿态的图片或视频序列中，通过行走的方式和风格来识别行人的身份。近年来，步态识别在智慧城市，智能安防等领域中得到了广泛应用。该任务目前主要有两个关键点：第一是如何解决现有步态识别的数据集质量很低，并且采集数据较为困难的问题；第二是如何解决真实步态数据集中的场景与真实场景差异很大的问题。针对第一点，本发明认为现有的步态数据集往往面临着收集成本高和图像分割造成的质量很低的问题，然而步态数据往往采用黑白两色的剪影图，由于这一数据的特殊性，如果3D引擎合成的虚拟数据则会与真实数据差异很小，并且可以很好的避免上述的数据质量问题；针对第二点，本发明认为现有的步态数据集都没有对于现实步态问题中的俯仰角造成的透视形变进行关注，往往只包括若干个水平角度下捕获的行人步态数据，与真实场景下的数据差别较大，因此如果可以采集包括多种俯仰角与水平角度下的行人步态数据，可以数据层面解决这一问题。

由于统计建模的有效性，目前基于学习的方法逐渐被应用到步态识别的任务中。现有的基于学习的方法主要采用深度学习框架，输入一组行人步态图像，输出识别出的行人身份。因此如果能够生成高质量的虚拟行人步态数据集，可以很好的协助深度学习解决行人步态识别问题。

发明内容

为解决上述问题，本发明的目的在于提供一种面向复杂场景细粒度属性驱动的步态数据集合成方法。本发明通过采集大量多属性的3D人物模型和行人步态动作，将其绑定后生成了行走的行人模型，在3D引擎中搭建多视角的数据捕获场景，采集大量高质量，多角度的虚拟行人步态数据集，并使用该方法生成了一组可以有效提升步态识别性能的高质量虚拟步态数据集。本发明获取的数据集可以将其作为练数据集，有效的提升现有步态识别方法的性能，使模型更具准确性和鲁棒性。

为实现上述目的，本发明的技术方案为：

一种面向复杂场景细粒度属性驱动的步态数据集合成方法，其包括以下步骤：

S1、生成若干个多属性的行人3D模型；

S2、获取若干组用于绑定的行人步态动作；

S3、将S2中的不同行人步态动作分别绑定到S1中生成的行人3D模型上，获得以不同步态动作行走的行人模型；

S4、以S3中行人模型的走动范围为中心，在3D引擎中搭建多角度步态数据捕获场景；

S5、在S4中构建的多角度步态数据捕获场景中，采集每个行人模型的步态剪影图数据和细粒度属性标签，对应保存为一个样本，将所有样本构建成步态数据集。

作为优选，步骤S1中，生成若干多属性的行人3D模型的具体方法为：

获取N个3D人物模型，每个人物模型有若干个随机人物属性；所有3D人物模型组成行人3D模型组其中M_i为第i个多属性的行人3D模型，N为总模型数。

作为优选，所述随机人物属性包括性别、年龄、体重和民族。

作为优选，步骤S2中，获取若干组用于绑定的行人步态动作的具体方法为：