[发明专利]一种结合两个向量嵌入空间的高精度步态识别方法

说明书

本发明提供了一种结合两个向量嵌入空间的高精度步态识别方法，包括：获取步态数据训练集，对步态数据训练集中的所有训练数据进行预处理，使用预处理后的训练数据进行训练，计算损失并优化网络参数后，得到训练完成的步态识别模型；获取步态数据测试集，对步态数据测试集中的所有测试数据进行预处理，将预处理后的测试数据输入训练完成的步态识别模型，获得步态识别结果。使用步态特征在欧式空间中计算三元组损失，使用归一化后的步态特征在余弦空间中计算带角度间隔的Softmax损失，两种损失的结合，同时考虑到了样本在欧式空间和余弦空间中的距离，从而能够更好地拉近相同人的步态特征，拉远不同人的步态特征，相较于现有技术，显著提升识别准确率。

技术领域

本发明涉及特征识别技术领域，尤其涉及一种结合两个向量嵌入空间的高精度步态识别方法。

背景技术

步态，即人们的行走方式，可以被用来识别人们的身份。与其它生物识别方式相比，比如人脸识别，指纹识别，步态识别有一些无法替代的优势：它可以远距离、多角度地进行识别；由于识别不需要被识别者的配合，并且步态是一个动态的行为特征，难以伪装和掩饰。

近年来，随着机器视觉的发展，越来越多的科学家开始投入于机器视觉的研究中，在人机交互场景中，为了给不同的用户提供个性化服务，需要对不同的用户进行识别，而传统的人脸识别方式需要人脸离摄像头足够近，并且人脸正对摄像头。为了更加自然地对人进行识别，步态识别是一种更好的选择。此外，步态识别还可以应用于安防领域，以往查看摄像头需要专业人员耗费大量时间精力，而借用步态识别技术，可以快速从监控摄像头中定位到想要查找的行人，节省人力资源。

在众多研究步态识别的方法中，Wu Z等人提出了多种3D卷积神经网络的结构来整合时间维度上的信息，取得了很好的识别效果。在识别过程中，首先对每一帧进行预处理，得到轮廓图，这里主要是避免衣服和背景的颜色信息对识别造成的负面影响。然后将一个图像序列送入3D卷积神经网络提取特征进行识别。文献：Wu Z,Huang Y,Wang L, et al.Acomprehensive study on cross-view gait based human identification with deepcnns[J]. IEEE transactions on pattern analysis and machine intelligence,2016,39(2):209-226.

尽管3D卷积神经网络可以提取一个时间窗口的轮廓信息，它仍然难以关注到全局的信息，为了改善这个问题，Chao H等人基于观察提出了一种新的思路：假设步态轮廓图中已经包含了时间上的先后关系，不再将这个先后关系输入进网络，而是将所有步态轮廓图序列当作一个集合，从而提取集合的特征，性能有了很大的提升，所提网络结构叫做SetNet。但是在训练阶段只用了三元组损失进行优化，而三元组损失是在欧式空间中优化的，计算欧式距离时，特征本身的长度会对最终识别结果造成很大影响。文献：Chao H,HeY,Zhang J,et al.Gaitset:Regarding gait as a set for cross-view gaitrecognition[C]//Proceedings of the AAAI Conference on ArtificialIntelligence.2019,33: 8126-8133.

发明内容

发明目的：克服现有步态识别算法仅仅考虑到在欧式空间中优化特征表达的缺陷，引入在余弦空间中优化特征表达，同时将两种空间的特征表达有效结合起来以达到更好的效果。

为了解决上述技术问题，本发明公开了一种结合两个向量嵌入空间的高精度步态识别方法，该方法能够提升步态识别性能，应用于人机交互、公共安防等领域中，包括如下步骤：

步骤1，获取步态数据训练集，对所述步态数据训练集中的所有训练数据进行预处理，使用预处理后的训练数据进行训练，计算损失并优化网络参数后，得到训练完成的步态识别模型；本发明中，所述步态数据训练集可采用CASIA-B。