一种步态的识别方法、装置、存储介质及设备与流程

技术特征：
1.一种步态的识别方法，其特征在于，包括：将预先采集到的步态视频转换为多个步态图像帧；从各个所述步态图像帧中筛选出人体步态图像；利用膨胀卷积对所述人体步态图像进行特征提取，得到步态特征；将所述步态特征输入到随机森林模型中，得到所述随机森林模型输出的识别结果；所述识别结果包括用户身份；所述随机森林模型基于样本步态特征集预先训练得到。2.根据权利要求1所述的方法，其特征在于，所述步态图像帧至少包括检测目标、背景；所述从各个所述步态图像帧中筛选出人体步态图像，包括：对于每个所述步态图像帧，利用欧式距离算法计算检测目标与背景之间的距离，得到距离值；判断所述距离值是否不小于预设阈值；若所述距离值不小于所述预设阈值，则确定所述步态图像帧中的所述检测目标为人体，将所述步态图像帧标识为人体步态图像，并将所述人体步态图像存储至步态特征库中。3.根据权利要求2所述的方法，其特征在于，所述判断所述距离值是否不小于预设阈值之后，还包括：若所述距离值小于所述预设阈值，则确定所述步态图像帧中的所述检测目标为物体，将所述步态图像帧标识为背景图像，并对所述背景图像进行删除。4.根据权利要求1所述的方法，其特征在于，所述基于样本步态特征集预先训练得到所述随机森林模型的过程，包括：预先获取样本步态特征集；所述样本步态特征集包括多个好样本和坏样本；所述好样本包括预先标注有正常人员标签的样本步态特征；所述坏样本包括预先标注有可疑人员标签的样本步态特征；利用bootstrapping方法从所述样本步态特征集中抽取m个样本，并进行n次抽取，得到n个训练集；利用各个所述训练集，训练得到各个决策树；基于各个所述决策树构建所述随机森林模型。5.根据权利要求4所述的方法，其特征在于，所述决策树的训练过程，包括：对于各个所述样本步态特征，将所述样本步态特征定义为属性，得到各项所述属性；对于每项所述属性，利用与所述属性对应的属性占比，计算得到每项所述属性的信息熵；利用每个所述信息熵与预设条件熵，计算得到每项所述属性的信息增益；按照所述信息增益从大到小的顺序，对所述训练集中的各个所述样本步态特征进行排序，得到所述决策树。6.一种步态的识别装置，其特征在于，包括：转换单元，用于将预先采集到的步态视频转换为多个步态图像帧；筛选单元，用于从各个所述步态图像帧中筛选出人体步态图像；提取单元，用于利用膨胀卷积对所述人体步态图像进行特征提取，得到步态特征；输入单元，用于将所述步态特征输入到随机森林模型中，得到所述随机森林模型输出的识别结果；所述识别结果包括用户身份；所述随机森林模型基于样本步态特征集预先训
练得到。7.根据权利要求6所述的装置，其特征在于，所述步态图像帧至少包括检测目标、背景；所述筛选单元具体用于：所述从各个所述步态图像帧中筛选出人体步态图像，包括：对于每个所述步态图像帧，利用欧式距离算法计算检测目标与背景之间的距离，得到距离值；判断所述距离值是否不小于预设阈值；若所述距离值不小于所述预设阈值，则确定所述步态图像帧中的所述检测目标为人体，将所述步态图像帧标识为人体步态图像，并将所述人体步态图像存储至步态特征库中。8.根据权利要求7所述的装置，其特征在于，还包括：若所述距离值小于所述预设阈值，则确定所述步态图像帧中的所述检测目标为物体，将所述步态图像帧标识为背景图像，并对所述背景图像进行删除。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，所述程序执行权利要求1-5任一所述的步态的识别方法。10.一种步态的识别设备，其特征在于，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-5任一所述的步态的识别方法。

技术总结
本申请公开了一种步态的识别方法、装置、存储介质及设备，应用于人工智能领域，将预先采集到的步态视频转换为多个步态图像帧；从各个步态图像帧中筛选出人体步态图像；利用膨胀卷积对人体步态图像进行特征提取，得到步态特征；将步态特征输入到随机森林模型中，得到随机森林模型输出的识别结果；与现有技术相比，在进行步态识别时可以不满足背景简单的条件，对于复杂的背景，利用欧式距离公式进行背景的消除，再进行步态特征提取，进而提高步态识别的准确率。的准确率。的准确率。


技术研发人员：张全龙 李文兵 昂娟 程梦琴
受保护的技术使用者：中国银行股份有限公司
技术研发日：2022.09.02
技术公布日：2022/11/11