一种多任务学习的步态识别方法和装置与流程

技术特征：
1.一种多任务学习的步态识别方法，其特征在于，所述方法包括：获取人体行走的步态特征，所述步态特征包括描述人体的帧级步态特征和集合级步态特征；将所述步态特征输入至视角特征学习网络，得到人体步态特征的多个视角特征；利用分类器对所述多个视角特征中的每一个进行分类，并将得到的分类结果通过第一损失函数处理，得到第一损失参数；将所述步态特征输入至步态特征学习网络，输出的特征图，再通过第二损失函数处理，得到第二损失参数；按照预设配比，结合所述第一损失参数和所述第二损失参数，得到损失结果。2.根据权利要求1所述的方法，其特征在于，所述获取人体行走的步态特征，包括：获取人体行走状态的多个角度的至少一组图像；利用卷积神经网络对所述至少一组图像中的每个图像提取步态轮廓特征，得到第一特征图，所述第一特征图反映人体的帧级步态特征；将所述第一特征图经过池化处理得到第二特征图，所述第二特征图反映人体的集合级步态特征；将所述第一特征图和所述第二特征图在通道维度上进行合并，生成第三特征图，所述第三特征图反映所述人体行走的步态特征。3.根据权利要求1所述的方法，其特征在于，将所述步态特征输入至视角特征学习网络，得到人体步态特征的多个视角特征，包括：将所述步态特征通过卷积神经网络、以及特征分块处理，得到人体行走步态的多个局部特征；根据所述多个局部特征得到人体行走的所述多个视角特征。4.根据权利要求3所述的方法，其特征在于，所述多个视角特征包括：人体在rgb通道维度上划分的人体的头颈、上身、大腿和小腿。5.根据权利要求1所述的方法，其特征在于，利用分类器对所述多个视角特征中的每一个进行分类，包括：获取目标分类器，所述目标分类器为最大值池化网络；利用所述最大化池化网络对所述多个视角特征中的每一个视角特征对应的数据做下采样，得到所述分类结果。6.根据权利要求1所述的方法，其特征在于，将所述步态特征输入至步态特征学习网络，输出的特征图，包括：获取所述步态特征对应的步态数据；将所述步态数据按相似度进行划分，将相似度超过阈值的步态数据归纳为同一类，得到所述输出特征图。7.根据权利要求1-6任一项所述的方法，其特征在于，所述第二损失函数为三元组损失函数；所述三元组损失函数表示为：
其中，l
t
为第二损失参数，n为样本数，x
a
为锚点，x
p
为正样本，x
n
为负样本，m为常量，i为样本标识，f(.)为映射函数。8.一种多任务学习的步态识别装置，其特征在于，所述装置包括：获取单元，用于获取人体行走的步态特征，所述步态特征包括描述人体的帧级步态特征和集合级步态特征；第一处理单元，用于将所述步态特征输入至视角特征学习网络，得到人体步态特征的多个视角特征；分类单元，用于利用分类器对所述多个视角特征中的每一个进行分类，并对分类结果通过第一损失函数处理，得到第一损失参数；第二处理单元，用于将所述步态特征输入至步态特征学习网络，输出的特征图，再通过第二损失函数处理，得到第二损失参数；结合单元，用于按照预设配比，结合所述第一损失参数和所述第二损失参数，得到损失结果。9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器和所述存储器耦合；所述存储器中存储有计算机可读程序指令；当所述指令被所述处理器读取并执行时，实现如权利要求1至8任一所述的多任务学习的步态识别方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的多任务学习的步态识别方法。

技术总结
本发明公开了一种多任务学习的步态识别方法和装置，该方法包括：获取人体行走的步态特征，将步态特征输入至视角特征学习网络，得到人体步态特征的多个视角特征；利用分类器对所述多个视角特征中的每一个进行分类，并将得到的分类结果通过第一损失函数处理得到第一损失参数；并且将该步态特征输入至步态特征学习网络输出的特征图，再通过第二损失函数处理得到第二损失参数；按照预设配比，结合第一损失参数和第二损失参数得到损失结果。该方法将步态特征数据输入至视角特征学习网络学习视角增强特征，将学到的角度特征与步态特征联合训练，进而从局部特征中捕获更多细粒度信息，解决跨视角识别性能不佳的问题，提高了步态识别的准确率。别的准确率。别的准确率。


技术研发人员：陈晨 肖仁 朱凌浩 唐鑫威
受保护的技术使用者：天翼云科技有限公司
技术研发日：2022.07.29
技术公布日：2022/12/12