[发明专利]一种步态特征提取方法

权利要求书

1.一种步态特征提取方法，其特征在于，包括以下步骤：

S1、采集目标在行走、起身和爬楼梯3种步态方式下的步态视频数据；

S2、对步态视频数据进行预处理，得到3个步态能量图；

S3、采用卷积神经网络CNN结合轻量注意力模块CBAM提取3个步态能量图对应的3个单步态特征图；

S4、对3个单步态特征图进行多步态全局注意力学习，得到3种步态方式的注意力图；

S5、对3种步态方式的注意力图进行特征映射，得到目标的最终步态特征表示。

2.根据权利要求1所述的步态特征提取方法，其特征在于，所述步骤S1中以36°或144°的视角拍摄目标在行走、起身和爬楼梯3种步态方式下的视频，每种步态方式下至少录制3个步态周期的视频，得到步态视频数据。

3.根据权利要求1所述的步态特征提取方法，其特征在于，所述步骤S2包括以下分步骤：

S21、从每种步态方式下的视频中取出一个完整的步态周期视频，分解为相同数量的若干帧，得到原始二维视频序列；

S22、通过背景减除法将原始二维视频序列转换为二元轮廓序列；

S23、对二元轮廓序列进行标准化处理，将其中所有人物轮廓调整到同一高度，并使人物位于图像的中心上，得到统一的步态轮廓序列G＝{g₁，g₂，...，g_n}；

S24、将每种步态方式下的步态轮廓序列G合成步态能量图GEI，得到行走步态能量图GEI_walk、起身步态能量图GEI_up和爬楼梯步态能量图GEI_stairs。

4.根据权利要求3所述的步态特征提取方法，其特征在于，所述步骤S24中合成步态能量图GEI的计算公式为：

其中n表示一个步态周期内轮廓图的总帧数，g_t(x，y)表示步态周期中第t帧的二值步态轮廓图序列，(x，y)表示图像上像素点的坐标。

5.根据权利要求3所述的步态特征提取方法，其特征在于，所述卷积神经网络CNN包括三个通道，分别用于输入3个步态能量图GEI_walk、GEI_up和GEI_stairs；

每个通道结构相同，均包括依次设置的第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第五卷积层和第六卷积层；

所述第一卷积层的输出端分别与轻量注意力模块CBAM的输入端和乘法器的第一输入端连接，所述轻量注意力模块CBAM的输出端与乘法器的第二输入端连接，所述乘法器的输出端与第二卷积层的输入端连接；

所述第六卷积层的输入和输出在通道维度上进行卷积特征融合后得到每个通道的输出，即3个步态能量图GEI_walk、GEI_up、GEI_stairs对应的3个单步态特征图u_walk、u_up、u_stairs。

6.根据权利要求5所述的步态特征提取方法，其特征在于，所述轻量注意力模块CBAM包括依次连接的通道注意力模块和空间注意力模块；

所述通道注意力模块表示为：

其中M_C(·)表示通道注意力模块函数，K表示第一卷积层的输出，即轻量注意力模块CBAM的输入，σ(·)表示sigmoid函数，MLP(·)表示多层感知机，AvgPool(·)表示全局平均池化，MaxPool(·)表示全局最大池化，W₁和W₀分别表示多层感知机中的两层参数，和分别表示K经过全局平均池化和全局最大池化得到的结果；

所述空间注意力模块表示为：

其中M_S(·)表示空间注意力模块函数，L表示通道注意力模块的输出，即空间注意力模块的输入，f^7×7(·)表示尺寸为7×7的卷积核，和分别表示L经过全局平均池化和全局最大池化得到的结果。