一种步态的识别方法、装置、存储介质及设备与流程

1.本技术涉及人工智能技术领域，尤其涉及一种步态的识别方法、装置、存储介质及设备。


背景技术：

2.步态识别是一种新兴的生物特征识别技术，通过走路的姿态进行身份的识别，与其他的生物识别技术(例如图像识别)相比，步态识别具有非接触远距离和不容易伪装的优点。
3.传统的步态识别方法要求行人背景简单，而在真实的监控环境中，背景条件是动态多变的，不满足传统的步态识别方法的识别条件，因此，导致步态识别效果不佳。
4.因此，如何提高步态识别的准确率，成为本领域亟需解决的问题。


技术实现要素：

5.本技术提供了一种步态的识别方法、装置、存储介质及设备，目的在于提高步态识别的准确率。
6.为了实现上述目的，本技术提供了以下技术方案：
7.一种步态的识别方法，包括：
8.将预先采集到的步态视频转换为多个步态图像帧；
9.从各个所述步态图像帧中筛选出人体步态图像；
10.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；
11.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。
12.可选的，所述步态图像帧至少包括检测目标、背景；
13.所述从各个所述步态图像帧中筛选出人体步态图像，包括：
14.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；
15.判断所述距离值是否不小于预设阈值；
16.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。
17.可选的，所述判断所述距离值是否不小于预设阈值之后，还包括：
18.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。
19.可选的，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：
20.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；
21.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；
22.利用各个所述训练集，训练得到各个决策树；
23.基于各个所述决策树构建所述随机森林模型。
24.可选的，所述决策树的训练过程，包括：
25.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；
26.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；
27.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；
28.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。
29.一种步态的识别装置，包括：
30.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；
31.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；
32.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；
33.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。
34.可选的，所述步态图像帧至少包括检测目标、背景；
35.所述筛选单元具体用于：
36.所述从各个所述步态图像帧中筛选出人体步态图像，包括：
37.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；
38.判断所述距离值是否不小于预设阈值；
39.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。
40.可选的，还包括：
41.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。
42.一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行所述的步态的识别方法。
43.一种步态的识别设备，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；
44.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所述的步态的识别方法。
45.本技术提供的技术方案，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。
附图说明
46.为了更清楚地说明本技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1为本技术实施例提供的一种步态的识别方法的流程图；
48.图2为本技术实施例提供的一种随机森林模型的训练方法的流程图；
49.图3为本技术实施例提供的另一种步态的识别方法的流程图；
50.图4为本技术实施例提供的一种步态的识别装置的架构示意图。
具体实施方式
51.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
52.如图1所示，为本技术实施例提供的一种步态的识别方法的流程图，包括：
53.s101：控制采集设备采集用户的步态视频。
54.可选的，采集设备包括但不限于：摄像头。
55.s102：将步态视频转换为多个步态图像帧。
56.其中，每个步态图像帧至少包括检测目标、背景。
57.其中，将步态视频转换为多个步态图像帧的具体实现方式，为本领域人员公知的常识，这里不再赘述。
58.s103：对于每个步态图像帧，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。
59.其中，欧式距离算法的具体表现形式，如公式(1)所示。
[0060][0061]
在公式(1)中，ρ为点(x2,y2)与点(x1,y1)之间的欧式距离，(x1,y1)代表检测目标的中心点在预设图像坐标系中所处的坐标点，(x2,y2)代表背景的中心点在预设图像坐标系中所处的坐标点。
[0062]
需要说明的是，计算检测目标与背景之间的欧式距离，目的是祛除除用户之外其他不必要的因素(例如物品)，防止这些不必要的因素对识别结果造成影响，得到较为“干净”的步态图像。
[0063]
s104：判断距离值是否不小于预设阈值。
[0064]
若距离值不小于预设阈值，则执行s105，否则执行s106。
[0065]
可选的，可根据需求设置预设阈值，在此不做具体限制。
[0066]
具体的，假设有三个距离值，分别为8cm、9cm、10cm，预设阈值为11cm，对于三个距离值，判断距离值是否不小于预设阈值，显然，三个距离值均小于预设阈值，为此，继续执行s106。
[0067]
具体的，假设有四个距离值，分别为8cm、9cm、10cm、12cm，预设阈值为11cm，对于四个距离值，判断距离值是否不小于预设阈值，显然，距离值12cm不小于预设阈值11cm，为此，继续执行s105，距离值8cm、9cm、10cm均小于预设阈值11cm，为此，继续执行s106。
[0068]
s105：确定步态图像帧中的检测目标为人体，将步态图像帧标识为人体步态图像，并将人体步态图像存储至步态特征库中。
[0069]
需要说明的是，当距离值不小于预设阈值时，说明检测目标不是背景，则确定检测目标为人体，步态图像帧标识为人体步态图像，并将步态图像存储至步态特征库中，以便后续对步态图像进行识别。
[0070]
s106：确定步态图像帧中的检测目标为物体，将步态图像帧标识为背景图像，并对背景图像进行删除。
[0071]
其中，当距离值小于预设阈值时，说明检测目标不是人体步态图像，则确定检测目标为背景图像，并将背景图像进行删除。
[0072]
需要说明的是，将背景图像进行删除，目的是祛除杂乱的背景，仅剩下用户的步态图像，以便后续对用户的步态图像进行识别。
[0073]
s107：从步态特征库中获取人体步态图像，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。
[0074]
其中，膨胀据卷积包括卷积层和池化层，具体的，卷积层用于提取人体步态图像中的特征，池化层用于提取得到的特征进行降维，得到特征向量，所谓的特征向量即为本技术实施例所示的步态特征。
[0075]
需要说明的是，利用膨胀卷积对步态图像进行特征提取，由于膨胀卷积可以增大感受野，并且具有很强的适应性，善于提取全局特征，与其他的特征提取方法相比，膨胀卷积的权值共享结构能够加快特征的提取速度，为后续的特征识别提供了有效的特征数据。
[0076]
s108：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。
[0077]
其中，识别结果包括用户身份。
[0078]
需要说明的是，随机森林模型基于样本步态特征集训练得到，具体的，随机森林模型的训练过程可以参见图2所示的步骤，以及步骤的解释说明。
[0079]
综上所述，利用膨胀卷积对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。
[0080]
如图2所示，为本技术实施例提供的一种随机森林模型的训练方法的流程图，包括：
[0081]
s201：预先获取样本步态特征集。
[0082]
其中，样本步态特征集包括多个好样本和坏样本，好样本包括预先标注有正常人
员标签的样本步态特征，坏样本包括预先标注有可疑人员标签的样本步态特征。在本技术实施例中。正常人员和可疑人员均为用户身份的一种具体表现形式。
[0083]
s202：利用bootstrapping方法从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。
[0084]
其中，每个训练集包括m个样本步态特征。
[0085]
可选的，还可以利用bootstrapping方法从样本步态特征集中抽取r个样本，并基于r个样本，构建验证集。所谓的验证集，用于验证随机森林模型的性能(例如验证随机森林模型是否过拟合等)。
[0086]
s203：利用各个训练集，训练得到各个决策树。
[0087]
其中，对于每个训练集而言，利用训练集训练得到决策树的具体实现过程可以为：将互不相同的各个步态特征定义为各项属性(例如慌张步态、疾走步态、闲逛步态等)，对于每项属性，利用与属性对应的属性占比(即训练集中好样本概率p与坏样本概率1-p的比值)，计算属性的信息熵，再利用信息熵与预设的条件熵，计算得出属性的信息增益(即计算得出步态特征的信息增益)，按照信息增益从大到小的顺序，对训练集中的各个样本步态特征进行排序，得到决策树。
[0088]
s204：基于各个决策树构建随机森林模型。
[0089]
综上所述，利用本实施例所示的方案，可以有效训练得到随机森林模型。
[0090]
如图3所示，为本技术实施例提供的另一种步态的识别方法的流程图，包括：
[0091]
s301：将预先采集到的步态视频转换为多个步态图像帧。
[0092]
s302：从各个步态图像帧中筛选出人体步态图像。
[0093]
s303：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。
[0094]
s304：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。
[0095]
其中，识别结果包括用户身份；随机森林模型基于样本步态特征集预先训练得到。
[0096]
综上所述，利用膨胀卷积对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。
[0097]
需要说明的是，本发明提供的步态的识别方法可用于人工智能领域、区块链领域、分布式领域、云计算领域、大数据领域、物联网领域、移动互联领域、网络安全领域、芯片领域、虚拟现实领域、增强现实领域、全息技术领域、量子计算领域、量子通信领域、量子测量领域、数字孪生领域或金融领域。上述仅为示例，并不对本发明提供的步态的识别方法的应用领域进行限定。
[0098]
本发明提供的步态的识别方法可用于金融领域或其他领域，例如，可用于金融领域中的交易应用场景。其他领域为除金融领域之外的任意领域，例如，人工智能领域。上述仅为示例，并不对本发明提供的步态的识别方法的应用领域进行限定。
[0099]
如图4所示，为本技术实施例提供的一种步态的识别装置的架构示意图，包括：
[0100]
转换单元100，用于将预先采集到的步态视频转换为多个步态图像帧。
[0101]
筛选单元200，用于从各个步态图像帧中筛选出人体步态图像。
[0102]
筛选单元200具体用于：对于每个步态图像帧，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；述步态图像帧至少包括检测目标、背景；判断距离值是否不小于预设阈值；若距离值不小于预设阈值，则确定步态图像帧中的检测目标为人体，将步态图像帧标识为人体步态图像，并将人体步态图像存储至步态特征库中。
[0103]
筛选单元200，还用于若距离值小于预设阈值，则确定步态图像帧中的检测目标为物体，将步态图像帧标识为背景图像，并对背景图像进行删除。
[0104]
提取单元300，用于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。
[0105]
输入单元400，用于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；识别结果包括用户身份；随机森林模型基于样本步态特征集预先训练得到。
[0106]
输入单元400具体用于：预先获取样本步态特征集；样本步态特征集包括多个好样本和坏样本；好样本包括预先标注有正常人员标签的样本步态特征；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；利用各个训练集，训练得到各个决策树；基于各个决策树构建随机森林模型。
[0107]
输入单元400具体用于：对于各个样本步态特征，将样本步态特征定义为属性，得到各项属性；对于每项属性，利用与属性对应的属性占比，计算得到每项属性的信息熵；利用每个信息熵与预设条件熵，计算得到每项属性的信息增益；按照信息增益从大到小的顺序，对训练集中的各个样本步态特征进行排序，得到决策树。
[0108]
综上所述，利用膨胀卷积对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。
[0109]
本技术还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，程序执行上述本技术提供的步态的识别方法。
[0110]
本技术还提供了一种步态的识别设备，包括：处理器、存储器和总线。处理器与存储器通过总线连接，存储器用于存储程序，处理器用于运行程序，其中，程序运行时执行上述本技术提供的步态的识别方法，包括如下步骤：
[0111]
将预先采集到的步态视频转换为多个步态图像帧；
[0112]
从各个所述步态图像帧中筛选出人体步态图像；
[0113]
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；
[0114]
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。
[0115]
可选的，所述步态图像帧至少包括检测目标、背景；
[0116]
所述从各个所述步态图像帧中筛选出人体步态图像，包括：
[0117]
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；
[0118]
判断所述距离值是否不小于预设阈值；
[0119]
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。
[0120]
可选的，所述判断所述距离值是否不小于预设阈值之后，还包括：
[0121]
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。
[0122]
可选的，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：
[0123]
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；
[0124]
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；
[0125]
利用各个所述训练集，训练得到各个决策树；
[0126]
基于各个所述决策树构建所述随机森林模型。
[0127]
可选的，所述决策树的训练过程，包括：
[0128]
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；
[0129]
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；
[0130]
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；
[0131]
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。
[0132]
本技术实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本技术实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
[0133]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
[0134]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。