一种基于深度学习的步态识别序列获取方法和系统与流程

1.本发明涉及的是机器学习领域，特别涉及一种基于深度学习的步态识别序列获取方法和系统。


背景技术：

2.步态是一种生物特征，相较于虹膜、掌纹、静脉等其他生物特征，步态具有非接触、远程可检测、非入侵性和难隐藏性等显著优势，可广泛应用于安防、交通、工业等行业领域。在现有步态识别技术中，首先通过目标检测与跟踪技术，生成行人目标图像序列，再进行序列分割，最后得到步态识别序列。目前，已有的检测与跟踪技术，容易产生目标误检、对静止的目标频繁抓拍，应用到步态识别场景，输出的检测目标还会存在不包括步态信息、步态信息不完整等现象，严重影响了步态识别的准确率。


技术实现要素：

3.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度学习的步态识别序列获取方法及系统。
4.为了解决上述技术问题，本技术实施例公开了如下技术方案：
5.一种基于深度学习的步态识别序列获取方法，包括：
6.s100.采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；
7.s200.训练行人目标检测模型；
8.s300.采集待识别数据；
9.s400.对待识别数据进行目标检测；
10.s500.对检测到的目标进行跟踪；
11.s600.对跟踪的输出进行运动目标检测；
12.s700.对待分割步态序列进行筛选；
13.s800.对待分割序列每一帧图像进行行人质量验证；
14.s900.输出步态识别序列。
15.进一步地，s100中，采集适用于步态识别场景的行人样本数据，具体包括：
16.s101.采集视频监控场景下行人检测正样本数据，并进行分类标注；
17.s102.采集视频监控场景下行人检检测负样本数据，并进行分类标注。
18.进一步地，s200中，训练行人目标检测模型，具体包括：
19.s201.将采集的样本数据制作成voc数据集的格式；
20.s202.通过yolov5框架训练行人目标检测模型。
21.进一步地，s300中，采集待识别数据，具体包括：
22.s301.通过采集本地视频文件，作为离线待识别数据；
23.s302.通过采集监控摄像头实时视频数据，作为实时待识别数据；
24.s303.通过采集监控摄像头历史录像数据，作为录像待识别数据。
25.进一步地，s400中，对待识别数据进行目标检测，具体包括：
26.s401.加载待识别数据；
27.s402.加载已训练好的基于yolov5的行人目标检测算法模型；
28.s403.通过行人目标检测算法对待识别数据进行检测；
29.s404.返回检测结果。
30.进一步地，s500中，对检测到的目标进行跟踪，具体包括：
31.s501.输入检测环节输出的检测结果；
32.s502.通过kcf算法进行目标跟踪；
33.s503.返回跟踪结果。
34.进一步地，s600中，对跟踪的输出进行运动目标检测，具体包括：
35.s601.输入kcf跟踪返回的结果；
36.s602.获取视频帧输入数据信息；
37.s603.获取视频前景图；
38.s604.获取目标框数据；
39.s605.获取目标框中所含前景点数量；
40.s606.获取目标框中前景百分比；
41.s607.返回运动目标检测结果。
42.进一步地，s700中，对待分割步态序列进行筛选，具体包括：
43.s701.输入运动目标检测后输出的行人序列，其中序列数为s；
44.s702.设定最小步态序列数n，最大步态序列数m；
45.s703.确定选择序列索引编号，设定开始索引si＝0,结束索引ei＝0，如果s》m，则si＝(s-m)/2，ei＝si (m/2)-1；如果s《m，则si＝0,ei＝s-1；
46.s704.根据选择的索引编号，确定初始待分割序列l0；
47.s705.设定每一帧图像数据高宽比阈值为t；
48.s706.依次计算分割序列l0中每一帧数据数据的宽高比，与阈值t比较，小于t的舍弃；
49.s707.输出待分割步态序列。
50.进一步地，s800中，对待分割序列每一帧图像进行行人质量验证，具体包括：
51.s801.加载待分割步态序列；
52.s802.选择序列中帧目标置信度最高的一个目标k，设定得分为score1；
53.s803.加载离线训练好的行人重识别reid模型；
54.s804.计算目标k的行人特征；
55.s805.通过加载的reid模型依次计算输入序列中其他帧数据目标的行人特征；
56.s806.设定目标比对阈值为l；
57.s807.计算目标k与其他帧数据目标的相似度；
58.s808.将计算得到相似度与阈值l比较，小于l的序列舍弃掉；
59.s809.输出待识别步态序列。
60.本发明还公开了一种基于深度学习的步态识别序列获取系统，包括：行人目标检
测模型训练模块、待识别数据运动目标检测模块、步态识别序列输出模块；其中：
61.行人目标检测模型训练模块，用于采集适用于步态识别场景的行人样本数据，并通过yolov5框架进行训练，形成行人目标检测模型；
62.待识别数据运动目标检测模块，用于采集待识别数据；对待识别数据进行目标检测，对检测到的目标进行跟踪，对跟踪的输出进行运动目标检测；
63.步态识别序列输出模块，用于对待分割步态序列筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。
64.本发明实施例提供的上述技术方案的有益效果至少包括：
65.本发明公开的一种基于深度学习的步态识别序列获取方法，包括：采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；训练行人目标检测模型；采集待识别数据；对待识别数据进行目标检测；对检测到的目标进行跟踪；对跟踪的输出进行运动目标检测；对待分割步态序列进行筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。本发明公开的一个适用于步态识别场景的目标检测方法和系统，有效地过滤掉了无效的步态帧数据；本发明对跟踪输出进行运动目标检测，过滤掉了静止目标；本发明对待分割步态序列进行筛选和行人质量验证，保证了步态序列的合理性、有效性，极大地提高了步态识别的精度。
66.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
67.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
68.图1为本发明实施例1中，一种基于深度学习的步态识别序列获取方法的流程图；
69.图2为本发明实施例1中，目标检测模型训练流程图；
70.图3为本发明实施例1中，运动目标检测流程图；
71.图4为本发明实施例1中，行人质量验证流程图。
具体实施方式
72.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
73.为了解决现有技术中存在的问题，本发明实施例提供一种基于深度学习的步态识别序列获取方法和系统。
74.实施例1
75.本实施例公开了一种基于深度学习的步态识别序列获取方法，如图1，包括：
76.s100.采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；具体的，本实施例s100中，采集适用于步态识别场景的行人样本数据，具体包括：
77.s101.采集视频监控场景下行人检测正样本数据，并进行分类标注；
78.s102.采集视频监控场景下行人检检测负样本数据，并进行分类标注。
79.s200.训练行人目标检测模型；具体的，如图2，本实施例s200中，训练行人目标检测模型，具体包括：
80.s201.将采集的样本数据制作成voc数据集的格式；
81.s202.通过yolov5框架训练行人目标检测模型。
82.s300.采集待识别数据；具体的，本实施例s300中，采集待识别数据，具体包括：
83.s301.通过采集本地视频文件，作为离线待识别数据；
84.s302.通过采集监控摄像头实时视频数据，作为实时待识别数据；
85.s303.通过采集监控摄像头历史录像数据，作为录像待识别数据。
86.s400.对待识别数据进行目标检测；具体的，本实施例s400中，对待识别数据进行目标检测，具体包括：
87.s401.加载待识别数据；
88.s402.加载已训练好的基于yolov5的行人目标检测算法模型；
89.s403.通过行人目标检测算法对待识别数据进行检测；
90.s404.返回检测结果。
91.s500.对检测到的目标进行跟踪；具体的，本实施例s500中，对检测到的目标进行跟踪，具体包括：
92.s501.输入检测环节输出的检测结果；
93.s502.通过kcf算法进行目标跟踪；
94.s503.返回跟踪结果。
95.s600.对跟踪的输出进行运动目标检测；具体的，本实施例s600中，对跟踪的输出进行运动目标检测，具体如图3，包括：
96.s601.输入kcf跟踪返回的结果；
97.s602.获取视频帧输入数据信息；
98.s603.获取视频前景图；
99.s604.获取目标框数据；
100.s605.获取目标框中所含前景点数量；
101.s606.获取目标框中前景百分比；
102.s607.返回运动目标检测结果。
103.s700.对待分割步态序列进行筛选；具体的，本实施例s700中，对待分割步态序列进行筛选，具体包括：
104.s701.输入运动目标检测后输出的行人序列，其中序列数为s；
105.s702.设定最小步态序列数n，最大步态序列数m；
106.s703.确定选择序列索引编号，设定开始索引si＝0,结束索引ei＝0，如果s》m，则si＝(s-m)/2，ei＝si (m/2)-1；如果s《m，则si＝0,ei＝s-1；
107.s704.根据选择的索引编号，确定初始待分割序列l0；
108.s705.设定每一帧图像数据高宽比阈值为t；
109.s706.依次计算分割序列l0中每一帧数据数据的宽高比，与阈值t比较，小于t的舍弃；
110.s707.输出待分割步态序列。
111.s800.对待分割序列每一帧图像进行行人质量验证；具体的，本实施例s800中，对待分割序列每一帧图像进行行人质量验证，具体如图4，包括：
112.s801.加载待分割步态序列；
113.s802.选择序列中帧目标置信度最高的一个目标k，设定得分为score1；
114.s803.加载离线训练好的行人重识别reid模型；
115.s804.计算目标k的行人特征；
116.s805.通过加载的reid模型依次计算输入序列中其他帧数据目标的行人特征；
117.s806.设定目标比对阈值为l；
118.s807.计算目标k与其他帧数据目标的相似度；
119.s808.将计算得到相似度与阈值l比较，小于l的序列舍弃掉；
120.s809.输出待识别步态序列。
121.s900.输出步态识别序列。
122.本实施例还公开了一种基于深度学习的步态识别序列获取系统，包括：行人目标检测模型训练模块、待识别数据运动目标检测模块、步态识别序列输出模块；其中：
123.行人目标检测模型训练模块，用于采集适用于步态识别场景的行人样本数据，并通过yolov5框架进行训练，形成行人目标检测模型；
124.待识别数据运动目标检测模块，用于采集待识别数据；对待识别数据进行目标检测，对检测到的目标进行跟踪，对跟踪的输出进行运动目标检测；
125.步态识别序列输出模块，用于对待分割步态序列筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。
126.其中，对于本实施公开的的行人目标检测模型训练模块、待识别数据运动目标检测模块、步态识别序列输出模块具体的工作流程已在上述一种基于深度学习的步态识别序列获取方法中进行了详细描述，再此不在进行赘述。
127.本发明公开的一种基于深度学习的步态识别序列获取方法，包括：采集适用于步态识别场景的行人样本数据，行人样本数据包括正样本和负样本；训练行人目标检测模型；采集待识别数据；对待识别数据进行目标检测；对检测到的目标进行跟踪；对跟踪的输出进行运动目标检测；对待分割步态序列进行筛选；对待分割序列每一帧图像进行行人质量验证；输出步态识别序列。本发明公开的一个适用于步态识别场景的目标检测方法和系统，有效地过滤掉了无效的步态帧数据；本发明对跟踪输出进行运动目标检测，过滤掉了静止目标；本发明对待分割步态序列进行筛选和行人质量验证，保证了步态序列的合理性、有效性，极大地提高了步态识别的精度。
128.应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
129.在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特
此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
130.本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
131.结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。该asic可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
132.对于软件实现，本技术中描述的技术可用执行本技术所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
133.上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。