一种基于深度学的步态分割与步态识别一体化方法

摘要

本发明公开一种基于深度学的步态分割与步态识别一体化方法，该方法利用多通道神经网络分割模型对输入的一段步态视频中的多幅步态图像进行人形轮廓分割，获得一段步态视频中的多个步态图像的人形轮廓分割；然后将获得的人形轮廓通过分类卷积神经网络模型进行身份识别，输出身份识别结果。该方法对场景变化、着装变化、图像视频的角度、行走状态都有很强的鲁棒性，特别适合解决动态背景下的步态识别，可在实际的步态识别中达到非常高的识别精度；由于采用了分割与识别一体化框架，该方法同时具有非常快的识别速度，适合于实际监控下的实时步态识别。

主权项

一种基于深度学习的步态分割与步态识别一体化方法，其特征在于，所述方法包括：将人形分割数据库中用于人形分割训练的图像以及对应的人形分割标注图像归一化到相同像素大小，得到用于分割训练的图像与人形分割标注图像的成对样本；每次将N对所述图像及对应的人形分割标注图像送入一个N通道全卷积神经网络，得到与人形分割标注尺寸相同的N个表示人形轮廓分割预测结果的图像表达一；采用反向传播算法和随机梯度下降法减小该图像表达一与对应的人形分割标注图像比较得到的预测误差以训练该N通道全卷积神经网络，经过多次迭代训练得到用于步态分割的N通道分割卷积神经网络模型，并将该N通道分割卷积神经网络模型复制保存，作为一个固定的分割标注生成器；每次从选定的每段步态视频中随机选取N张步态图像，送入所述N通道分割卷积神经网络模型得到N张表示人形轮廓预测分割结果的图像表达二，每段步态视频对应一个身份序号用于识别；将得到的所述N张图像表达二作为输入，并以所述选定每段步态视频的身份序号作为输出，采用反向传播算法和随机梯度下降法减小预测步态身份与实际步态身份间的误差来迭代训练用于步态识别的分类卷积神经网络模型直到模型停止收敛；将训练好的所述N通道分割卷积神经网络模型的输出端和分类卷积神经网络模型的输入端连接，组成一个输出为步态身份预测结果的步态分割与步态识别的一体化模型；每次从选定的每段步态视频中随机选取N张步态图像送入所述N通道分割卷积神经网络模型得到对应人形轮廓预测分割图像的生成标注信息；同时利用该N张步态图像为输入，对应的人形轮廓预测分割图像和身份序号为监督信息，采用反向传播算法和随机梯度下降法联合训练所述步态分割与步态识别的一体化模型直到该一体化模型收敛停止；测试时，随机选取一段步态视频中N张图像送入训练好的所述步态分割与步态识别的一体化模型，在所述步态分割与步态识别的一体化模型的soft‑max分分类器得到最大响应所在的节点序号，作为身份序号的预测结果。