[发明专利]一种基于3D稠密卷积神经网络的步态识别方法

摘要

本发明公开了一种基于3D稠密卷积神经网络的步态识别方法，该方法中的网络利用3D卷积提取步态在时间维度上的变换特征，同时拥有DenseNet结构的特征保留能力。本发明在网络深度较浅，训练样本较少的情况下训练出性能优越的可根据视频中的步态识别其身份的分类识别模型。通过在CASIA步态数据库的Dataset A上进行测试,证明该方法能在训练样本不充足的情况下训练出实用的步态识别模型，且具有训练速度快，模型参数少，识别率高的优点,并在单一视角或跨视角情况下都具有可观的识别能力。

主权项

1.一种基于3D稠密卷积神经网络的步态识别方法，其特征在于：该方法包括数据预处理，模型训练，识别三个过程，具体如下；步骤S1，数据预处理过程；步骤S1.1，行人轮廓提取；首先用只含背景的图片背影建模，然后利用背景减除法直接提取视频每一帧中行人的二值化轮廓图像；步骤S1.2，噪声处理；将步骤S1.1得到的行人的二值化轮廓图像利用数字图像中形态学处理的方法消除图像中的噪声，并填补运动目标中像素位的缺失，从而使图像更加光滑，以获得经过噪声处理后的最佳行人轮廓图像；步骤S1.3，提取行人轮廓图像的外接矩形；从步骤S1.2得到的行人轮廓图像中提取BoundingBox，其中面积最大的BoundingBox即行人轮廓的外接矩形图像；步骤S1.4，图像尺寸归一化，中心化；将经过步骤S1.3处理得到的行人轮廓的外接矩形图像在不改变图像中行人轮廓形状的情况下，归一化为尺寸相同且所有帧中行人轮廓对齐的图像；步骤S1.5，获取训练样本；取经过步骤S1.1至S1.4处理得到的视频帧序列中连续N帧为一个样本，样本标签为该视频帧序列中行人ID，N为介于16至32之间的一个整数；步骤S2，训练过程；步骤S2.1，将步骤S1得到训练样本和对应的ID输入3D稠密卷积神经网络；提取训练样本中视频帧序列的深层特征；步骤S2.2，利用步骤S2.1学习到的深层特征再经逻辑回归得到样本分类为每个ID的估计概率；步骤S2.3，计算真实ID和预测分类结果的误差，并优化上述基于3D稠密卷积神经网络的分类模型；步骤S2.4，重复步骤S2.1至步骤S2.3直至上述基于3D稠密卷积神经网络的分类模型收敛；步骤S3，识别过程；步骤S3.1，待识别视频序列经步骤S1处理获取至少一个测试样本；步骤S3.2，将测试样本输入训练好的3D稠密卷积神经网络的分类模型获取在每个ID上的预测概率；步骤S3.3，计算待识别视频序列中包含的测试样本在每个ID上的预测概率的和；步骤S3.4，经步骤S3.3计算的最大的预测概和对应的ID即为经过步态识别方法后得到的识别身份。