(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201911029345.9
(22)申请日 2019.10.28
(71)申请人 湖北讯獒信息工程有限公司
地址 430000 湖北省黄石市洪山区书城路
170号鸿城家园6号楼武汉兴创意孵化
器1506号
(72)发明人 王孝元
(74)专利代理机构 北京联瑞联丰知识产权代理
事务所(普通合伙) 11411
代理人 黄冠华
(51)Int.Cl.
G06K 9/00(2006.01)
G06K 9/46(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
(57)摘要
本发明公开了一种基于深度神经网络与机
器视觉的步态识别方法及系统。所述方法包括步
下被采集对象的步态；S2，分析图片，通过检测与
跟踪获得步骤S1中采集步态的视频序列，然后进
化实时响应(比如遮挡去除)，步态识别全身信
息，可以实现360°全视角识别，即使光照有变化，
或者衣服有变化，甚至面部完全被遮挡也依旧可
以被识别出来，相较于其他识别方式而言，更加
灵活高效。权利要求书1页 说明书5页 附图1页CN 110909612 A 2020.03.24
C N 110909612
A
1.一种基于深度神经网络与机器视觉的步态识别方法，其特征在于，包括：
S1，采集步态，由摄像机采集在不同角度状态下被采集对象的步态；
S2，分析图片，通过检测与跟踪获得步骤S1中采集步态的视频序列，然后进行预处理分析，提取所述被采集对象的步态特征；
S3，提取特征，在步骤S2中预处理后，再经过处理使预处理后的步态特征与已存储在步态数据库中的步态处于相同的模式；
S4，数据比对，将步骤S3中新采集处理后的步态特征与步态数据库的步态特征进行比对，并识别出新采集步态的特征。
2.根据权利要求1所述的一种基于深度神经网络与机器视觉的步态识别方法，其特征在于，在步骤S1中，由设置在不同角度的摄像机分别采集人的步态。
3.根据权利要求1所述的基于深度神经网络与机器视觉的步态识别方法，其特征在于，在步骤S1中，摄像机对摄像头前方的人进行人体识别，包括人形检测、步态特征提取、骨架关键点提取中的一种或多种。
4.根据权利要求1所述的一种基于深度神经网络与机器视觉的步态识别方法，其特征在于，在步骤S2中，包括：
S21，先提取单幅步态轮廓图像的CNN特征；
S22，然后将各幅图像的CNN特征聚合成一个特征向量；
S23，最后提取多尺度特征，并通过全连接网络提高特征的鉴别性。
5.一种基于深度神经网络与机器视觉的步态识别系统，其特征在于，包括如：
步态采集模块，用于由摄像机采集在不同角度状态下被采集对象的步态；
图片分析模块，用于通过检测与跟踪获得所采集步态的视频序列，然后进行预处理分析，提取所述被采集对象的步态特征；
特征提取模块，用于使预处理后的步态特征与已存储在步态数据库中的步态处于相同的模式；
数据比对模块，用于对新采集处理后的步态特征与步态数据库的步态特征进行比对，并识别出新采集步态的特征。
6.根据权利要求5所述一种基于深度神经网络与机器视觉的步态识别系统，其特征在于，由设置在不同角度的摄像机分别采集人的步态。
7.根据权利要求5所述一种基于深度神经网络与机器视觉的步态识别系统，其特征在于，摄像机对摄像头前方的人进行人体识别，包括人形检测、步态特征提取、骨架关键点提取中的一种或多种。
8.根据权利要求5所述一种基于深度神经网络与机器视觉的步态识别系统，其特征在于，所述图片分析模块包括：
第一提取模块，用于提取单幅步态轮廓图像的CNN特征；
聚合模块，用于将各幅图像的CNN特征聚合成一个特征向量；
第二提取模块，用于提取多尺度特征，并通过全连接网络提高特征的鉴别性。
权 利 要 求 书1/1页CN 110909612 A
一种基于深度神经网络与机器视觉的步态识别方法及系统
技术领域
[0001]本发明涉及步态识别技术领域，更为具体地，涉及一种基于深度神经网络与机器视觉的步态识别方法及系统。
背景技术
[0002]随着大数据技术与高性能处理器的快速发展，机器视觉和深度神经网络等技术得以深入研究，生物识别技术发展迅速，如人脸识别、指纹识别等，应用领域也较为广泛。作为新兴的生物特征识别技术——步态识别，也正逐渐走进人们的视野。步态识别旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。在智能视频监控领域，比图像识别更具优势。现有步态识别技术存在检测精度低，一旦步伐有调整和新变化时，在短时间内识别响应不及时造成无法识别，此外还有光照变化，例如不同的穿衣，甚至存在面部遮挡时很难识别，在远距离步态识别上使用受限，应用不灵活，存在识别效率低下、识别不准等问题。
发明内容
[0003]本发明的目的在于克服现有技术的不足，提供一种基于深度神经网络与机器视觉的步态识别方法及系统，能在更长的时间来进行调整和对新变化实时响应，可以实现360°全视角识别，更加灵活高效。
[0004]本发明的目的是通过以下技术方案来实现的：
[0005]一种基于深度神经网络与机器视觉的步态识别方法，包括：
[0006]S1，采集步态，由摄像机采集在不同角度状态下被采集对象的步态；
[0007]S2，分析图片，通过检测与跟踪获得步骤S1中采集步态的视频序列，然后进行预处理分析，提取所述被采集对象的步态特征；
[0008]S3，提取特征，在步骤S2中预处理后，再经过处理使预处理后的步态特征与已存储在步态数据库中的步态处于相同的模式；
[0009]S4，数据比对，将步骤S3中新采集处理后的步态特征与步态数据库的步态特征进行比对，并识别出新采集步态的特征。
[0010]进一步的，在步骤S1中，由设置在不同角度的摄像机分别采集人的步态。[0011]进一步的，在步骤S1中，摄像机对摄像头前方的人进行人体识别，包括人形检测、步态特征提取、骨架关键点提取中的一种或多种。
[0012]进一步的，在步骤S2中，包括如下子步骤：S21，先提取单幅步态轮廓图像的CNN特征；S22，
然后将各幅图像的CNN特征聚合成一个特征向量；S23，最后提取多尺度特征，并通过全连接网络提高特征的鉴别性。
[0013]一种基于深度神经网络与机器视觉的步态识别系统，包括如下模块：
[0014]步态采集模块，用于由摄像机采集在不同角度状态下被采集对象的步态；[0015]图片分析模块，用于通过检测与跟踪获得所采集步态的视频序列，然后进行预处
理分析，提取所述被采集对象的步态特征；
[0016]特征提取模块，用于使预处理后的步态特征与已存储在步态数据库中的步态处于相同的模式；
[0017]数据比对模块，用于对新采集处理后的步态特征与步态数据库的步态特征进行比对，并识别出新采集步态的特征。
[0018]进一步的，该系统由设置在不同角度的摄像机分别采集人的步态。
[0019]进一步的，摄像机对摄像头前方的人进行人体识别，包括人形检测、步态特征提取、骨架关键点提取中的一种或多种。
[0020]进一步的，所述图片分析模块包括如下子模块：第一提取模块，用于提取单幅步态轮廓图像的CNN特征；聚合模块，用于将各幅图像的CNN特征聚合成一个特征向量；第二提取模块，用于提取多尺度特征，并通过全连接网络提高特征的鉴别性。
[0021]本发明的有益效果是：
[0022](1)本发明识别距离比较远，能在更长的时间来进行调整和对新变化实时响应(比如遮挡去除)，步态识别全身信息，可以实现360°全视角识别，即使光照有变化，或者说穿的衣服有变化，甚至面部完全被遮挡也依旧可以被识别出来，相较于其他识别方式而言，本发明更加灵活高效。
[0023](2)本发明实施例中采用基于TensorFlow框架实现的CNN算法，整个神经网络可由串联的两个子网络组成，其中一个子网络用来提取视频帧的空间特征，另一子网络使用卷积网络将所生成的空间特征进一步提取时间特征，最终将所有时间特征与平均时间合并为识别向量，识别向量采用KNN算法进行分类，该实施例识别距离可达50米，识别速度在200毫秒以内，可广泛应用于公安领域、智能家居领域以及户外特殊领域，特别是在公安刑侦领域，可利用目标人员的身高体态、运动模式等特征，从海量视频中快速搜索出与样本高度相似的目标或视频片段，从而达到在换装、跨场景、面部遮挡的情况下，亦可以快速识别出嫌疑人的目的，很好地弥补了同等条件下人脸识别技术的应用盲点。
附图说明
[0024]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0025]图1为本发明的步骤流程示意图。
具体实施方式
[0026]下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。本说明书中公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
[0027]本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
[0028]下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
[0029]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030]在对实施例进行描述之前，需要对一些必要的术语进行解释。例如：
[0031]若本申请中出现使用“第一”、“第二”等术语来描述各种元件，但是这些元件不应当由这些术语所限制。这些术语仅用来区分一个元件和另一个元件。因此，下文所讨论的“第一”元件也可以被称为“第二”元件而不偏离本发明的教导。应当理解的是，若提及一元件“连接”或者“联接”到另一元件时，其可以直接地连接或直接地联接到另一元件或者也可以存在中间元件。相反地，当提及一元件“直接地连接”或“直接地联接”到另一元件时，则不存在中间元件。
[0032]在本申请中出现的各种术语仅仅用于描述具体的实施方式的目的而无意作为对本发明的限定，除非上下文另外清楚地指出，否则单数形式意图也包括复数形式。[0033]当在本说明书中使用术语“包括”和/或“包括有”时，这些术语指明了所述特征、整体、步骤、操作、元件和/或部件的存在，但是也不排除一个以上其他特征、整体、步骤、操作、元件、部件和/或其组的存在和/或附加。
[0034]如图1所示，一种基于深度神经网络与机器视觉的步态识别方法，包括：
[0035]S1，采集步态，由摄像机采集在不同角度状态下被采集对象的步态；
[0036]S2，分析图片，通过检测与跟踪获得步骤S1中采集步态的视频序列，然后进行预处理分析，提取所述被采集对象的步态特征；
[0037]S3，提取特征，在步骤S2中预处理后，再经过处理使预处理后的步态特征与已存储在步态数据库中的步态处于相同的模式；
[0038]S4，数据比对，将步骤S3中新采集处理后的步态特征与步态数据库的步态特征进行比对，并识别出新采集步态的特征。
[0039]进一步的，在步骤S1中，由设置在不同角度的摄像机分别采集人的步态。[0040]进一步的，在步骤S1中，摄像机对摄像头前方的人进行人体识别，包括人形检测、步态特征提取、骨架关键点提取中的一种或多种。
[0041]进一步的，在步骤S2中，包括如下子步骤：S21，先提取单幅步态轮廓图像的CNN特征；S22，然后将各幅图像的CNN特征聚合成一个特征向量；S23，最后提取多尺度特征，并通过全连接网络提高特征的鉴别性。
[0042]一种基于深度神经网络与机器视觉的步态识别系统，包括如下模块：
[0043]步态采集模块，用于由摄像机采集在不同角度状态下被采集对象的步态；[0044]图片分析模块，
用于通过检测与跟踪获得所采集步态的视频序列，然后进行预处理分析，提取所述被采集对象的步态特征；
[0045]特征提取模块，用于使预处理后的步态特征与已存储在步态数据库中的步态处于
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议