申请/专利权人：四川大学

申请日：2022-07-18

公开（公告）日：2024-03-22

公开（公告）号：CN115050101B

主分类号：G06V40/20

分类号：G06V40/20;G06V20/40;G06V10/44;G06V10/46;G06V10/80;G06V10/82;G06N3/0464;G06N3/042;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.09.30#实质审查的生效;2022.09.13#公开

摘要：本发明提供了一种基于骨骼和轮廓特征融合的步态识别方法，融合了行人轮廓图识别方法和骨骼关键点识别方法的优点，先提取行人骨骼关键点特征和行人轮廓图特征，再将其送入神经网络，在网络中间进行融合，实现基于步态的行人识别；本方法可解决步态识别中易受服装、视角和携带物等因素影响识别效果的问题，使得处于携带物、服装、视角等因素影响下的步态识别精度有了显著提升，具有识别精度高、鲁棒性强等优点。

主权项：1.一种基于骨骼和轮廓特征融合的步态识别方法，其特征在于，包括以下步骤：步骤1，使用基于神经网络的姿态估计算法对视频进行处理，得到每帧图像中的行人骨骼关键点位置；步骤2，使用骨骼关键点位置数据进行计算，生成关键点移动速度、骨骼长度与角度数据；步骤3，通过图卷积神经网络对行人骨骼关键点数据进行特征提取，生成行人骨骼关键点特征图；步骤4，使用基于神经网络的实例分割方法对原始视频数据进行处理，生成行人的轮廓图；步骤5，对行人轮廓图进行归一化处理；步骤6，采用局部轮廓特征提取器对归一化后的行人轮廓图进行特征提取，并使用时间特征聚合注意力模块对其进行特征压缩；生成行人轮廓特征图；步骤7，将行人骨骼关键点特征图和行人轮廓特征图进行拼接，使用分离全连接层和局部注意力机制引导两者融合，生成最终的步态特征；步骤8，使用欧式距离，比对计算生成的步态特征与数据库中的步态特征，选取出距离最小的步态特征对应的行人，作为最终的识别结果；步骤6中所述时间特征聚合注意力模块，包括：先通过最大值函数、均值函数和中值函数三种基础函数对输入进行全局特征收集，然后在时间维度上进行复制并将三者拼接到一起；最后通过1*1的卷积进行通道压缩并生成注意力图。

全文数据：

权利要求：

百度查询： 四川大学 一种基于骨骼和轮廓特征融合的步态识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD