CN111291640B - 用于识别步态的方法和装置 - Google Patents
用于识别步态的方法和装置 Download PDFInfo
- Publication number
- CN111291640B CN111291640B CN202010064256.4A CN202010064256A CN111291640B CN 111291640 B CN111291640 B CN 111291640B CN 202010064256 A CN202010064256 A CN 202010064256A CN 111291640 B CN111291640 B CN 111291640B
- Authority
- CN
- China
- Prior art keywords
- statistical
- gait
- picture
- branch
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了用于识别步态的方法和装置。方法包括:获取步态序列中的各张图片所对应的不同粒度的特征;获取各张图片所对应的不同粒度的特征的多个统计特征;在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征;基于多维度的统计特征,得到步态序列的分类结果。该方法提高了用于分类的特征的准确性,进而提高了对步态序列进行分类的准确性,减少了对于输入的步态序列中帧数的依赖。
Description
技术领域
本公开涉及计算机技术领域,具体涉及图像识别技术领域,尤其涉及用于识别步态的方法和装置。
背景技术
步态识别指根据走路姿态的差别来区分不同人的身份。与其他的生物识别技术相比,步态识别具有非接触、远距离和不容易伪装的优点。和人脸识别相比,步态识别更能适应远距离和摄像头低画质的情况。同时,可以减少化妆、换衣服等操作的影响。由于一个人很难伪装走路姿势,步态识别在极端安防场景下经常有更好的鲁棒性。
近年来,由于人工智能的发展,许多基于深度学习的步态识别方法开始涌现。在模型表示上,主流方法是将步态周期表示为一张步态能量图(步态序列图片的叠加),输入进卷积神经网络(CNN)。采用把步态周期表示成无序图像集(set)的方式,可以更多的保留信息。在模型使用上,有一些方法是基于长短期记忆网络(LSTM,Long Short-Term Memory)和3D CNN的,可以有效的利用序列信息。还有基于简单CNN堆叠的方法来进行步态识别。
发明内容
本公开实施例提供了用于识别步态的方法和装置。
第一方面,本公开实施例提供了一种用于识别步态的方法,包括:获取步态序列中的各张图片所对应的不同粒度的特征;获取各张图片所对应的不同粒度的特征的多个统计特征;在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征;基于多维度的统计特征,得到步态序列的分类结果。
在一些实施例中,步态序列基于以下步骤获取:从原始视频的同一步态周期或相邻步态周期中截取多个图像帧;从截取的多个图像帧中分割出人像,得到人体轮廓序列;将人体轮廓序列中的人体轮廓图像归一化为相同高度的二值轮廓图像,得到步态序列。
在一些实施例中,获取步态序列中的各张图片所对应的不同粒度的特征包括:将步态序列的每张图片分别输入至预先训练的MGN网络的分支共享网络,得到分支共享网络所连接的各个分支网络输出的各张图片所对应的不同粒度的特征。
在一些实施例中,MGN网络包括:位于前三层的分支共享网络、连接分支共享网络的输出的三个分支网络;其中,三个分支网络包括:提取输入图片的全局特征的第一个分支网络;提取输入图片被二分后的二分粒度特征的第二个分支;提取输入图片被四分后的四分粒度特征的第三个分支网络。
在一些实施例中,在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征包括:在每一个统计特征维度,拼接各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征。
在一些实施例中,多个统计特征包括:均值、四个分位数、二阶矩和三阶矩。
第二方面,本公开实施例提供了一种用于识别步态的装置,包括:粒度特征获取单元,被配置成获取步态序列中的各张图片所对应的不同粒度的特征;统计特征获取单元,被配置成获取各张图片所对应的不同粒度的特征的多个统计特征;统计特征融合单元,被配置成在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征;统计特征分类单元,被配置成基于多维度的统计特征,得到步态序列的分类结果。
在一些实施例中,粒度特征获取单元中的步态序列采用以下单元获取:图像帧截取单元,被配置成从原始视频的同一步态周期或相邻步态周期中截取多个图像帧;人像分割单元,被配置成从截取的多个图像帧中分割出人像,得到人体轮廓序列;步态序列生成单元,被配置成将人体轮廓序列中的人体轮廓图像归一化为相同高度的二值轮廓图像,得到步态序列。
在一些实施例中,粒度特征获取单元进一步被配置成:将步态序列的每张图片分别输入至预先训练的MGN网络的分支共享网络,得到分支共享网络所连接的各个分支网络输出的各张图片所对应的不同粒度的特征。
在一些实施例中,粒度特征获取单元所采用的MGN网络包括:位于前三层的分支共享网络、连接分支共享网络的输出的三个分支网络;其中,三个分支网络包括:提取输入图片的全局特征的第一个分支网络;提取输入图片被二分后的二分粒度特征的第二个分支;提取输入图片被四分后的四分粒度特征的第三个分支网络。
在一些实施例中,统计特征融合单元进一步被配置成:在每一个统计特征维度,拼接各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征。
在一些实施例中,多个统计特征包括:均值、四个分位数、二阶矩和三阶矩。
第三方面,本公开实施例提供了一种电子设备/终端/服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任一所述的用于识别步态的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上任一所述的用于识别步态的方法。
本公开实施例提供的用于识别步态的方法和装置,用于识别步态的方法包括:首先获取步态序列中的各张图片所对应的不同粒度的特征;之后获取各张图片所对应的不同粒度的特征的多个统计特征;之后在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的该统计特征,得到多维度的统计特征;最后基于多维度的统计特征,得到分类结果。在这一过程中,能够采用图像集级别的多个维度的统计特征确定步态序列中的人像的分类结果,由于图像集级别的多个维度的统计特征融合了各张图片所对应的不同粒度的特征,关联和挖掘了步态序列的全局和局部信息,提高了用于分类的特征的准确性,进而提高了对步态序列进行分类的准确性,减少了对于输入的步态序列中帧数的依赖。
附图说明
通过阅读参照以下附图所作的对非限制性实施例详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性***架构图;
图2是根据本公开实施例的用于识别步态的方法的一个实施例的流程示意图;
图3是根据本公开实施例的用于识别步态的方法中的步态序列的一个示例性示意图;
图4是根据本公开实施例的用于识别步态的方法的一个示例性应用场景;
图5是根据本公开实施例的用于识别步态的方法的另一个实施例的流程示意图;
图6是根据本公开实施例的用于识别步态的方法的另一个实施例中所采用的MGN网络的结构示意图;
图7是本公开的用于识别步态的装置的一个实施例的示例性结构图;
图8是适于用来实现本公开实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于识别步态的方法或用于识别步态的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如翻译类应用、浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是支持浏览器应用的各种电子设备,包括但不限于平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上进行的浏览器应用提供支持的后台服务器。后台服务器可以对接收到的请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
在实践中,本公开实施例所提供的用于识别步态的方法可以由终端设备101、102、103和/或服务器105、106执行,用于识别步态的装置也可以设置于终端设备101、102、103和/或服务器105、106中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,图2示出了根据本公开的用于识别步态的方法的一个实施例的流程200。该用于识别步态的方法包括以下步骤:
步骤201,获取步态序列中的各张图片所对应的不同粒度的特征。
在本实施例中,用于识别步态的方法的执行主体(例如图1所示的终端或服务器)可以获取步态序列,之后对于步态序列中的各张图片,获取不同粒度的图像帧级别的特征(frame-level特征)。
其中,步态序列为由独立的步态图像帧组成的图像序列,可以采用现有技术或未来发展的技术中获取步态序列的方法来获取,本申请对此不做限定。例如,对于一段给定的包含一个或多个行人行走过程的视频帧序列,可以对其行人检测、行人分割、行人追踪和行人识别,并采用掩码区域卷积神经网络和前背景分离技术,分离出行人的步态序列。上述获取的不同粒度的特征,是指获取的不同的细化程度或综合程度的特征。
在本实施例的一些可选实现方式中,步态序列可以基于以下步骤获取:从原始视频的同一步态周期或相邻步态周期中截取多个图像帧;从截取的多个图像帧中分割出人像,得到人体轮廓序列;将人体轮廓序列中的人体轮廓图像归一化为相同高度的二值轮廓图像,得到如图3所示的步态序列。
在本实现方式中,可以先从原始视频中截取多个视频帧:这些视频帧可以来自包含同一步态周期或相邻步态周期的一小段走路视频,对这一小段走路视频等间隔截取视频帧,得到预设张数(例如20张以上)的视频帧。之后,对截取的视频帧再做人像分割(例如,先产生候选区域然后再进行CNN分类,之后做人像分割;或者采用yolo模型检测出人像框,再用deeplab v3+做分割),得到人体轮廓。最后将这些人体轮廓归一化到相同高度,得到步态序列。
具体地,在获取步态序列中的各张图片的不同粒度的特征时,可以采用现有技术或未来发展的技术中获取图片的不同粒度的特征的方法来获取,本申请对此不做限定。
例如,可以采用多粒度网络(Multiple Granularity Network,缩写为MGN)提取不同粒度的特征。又例如,还可以采用多个不同区域的图像样本训练CNN得到针对不同区域提取特征的网络模型,再采用针对不同区域提取特征的网络模型来提取不同区域的图像的特征,从而得到不同粒度的特征。
步骤202,获取各张图片所对应的不同粒度的特征的多个统计特征。
在本实施例中,统计特征反映总体的各个个体间的分布情况,包括差异性特征和规律性特征,例如,极差、标准差、变异系数、众数等。
对于每张图片所对应的不同粒度的特征,可以统计每个粒度的特征的统计特征。
在本实施例的一些可选实现方式中,多个统计特征可以包括:均值、四个分位数、二阶矩和三阶矩。
在本实现方式中,均值又称算数平均值,是一组数据集中的统计特征量,经常用样本的算数平均值来代表总体的平均水平。四个分位数,是指统计学中在将所有数值由小到大排列并分成三等份后,处于最小的端点、两个分割点和最大的端点的位置的数值。二阶矩和三阶矩分别表示一组数据集中的方差和偏斜度。
本实现方式中所采用的多个统计特征,可以从数据集的平均水平、四个分位数、方差和偏斜度几个方面,对数据集合中各张图片所对应的不同粒度的特征进行描述,从而可以丰富获取的各张图片所对应的不同粒度的特征的统计特征,提高获取的各张图片所对应的不同粒度的特征的统计特征的全面性。
步骤203,在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征。
本实施例中,针对每一个统计特征维度,可以采用现有技术或未来发展的技术中融合特征的方法来融合各张图片所对应的不同粒度的特征的统计特征,本申请对此不做限定。
例如,可以先相加每张图片所对应的不同粒度的特征的统计特征,得到每张图片的统计特征,再相加每张图片的统计特征,得到集合级别的统计特征。
又例如,可以直接拼接或相加每张图片所对应的不同粒度的特征的统计特征,从而得到集合级别的统计特征。
还例如,可以采用特征融合算法来融合各张图片所对应的不同粒度的特征的统计特征。这里的特征融合算法,可以包括但不限于:基于贝叶斯决策理论的算法;基于稀疏表示理论的算法;以及基于深度学习理论算法。
在本实施例的一些可选实现方式中,在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征包括:在每一个统计特征维度,拼接各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征。
在本实现方式中,通过在每一个统计特征维度,拼接各张图片所对应的不同粒度的特征的统计特征,可以得到多维度的统计特征,并且避免采用其它融合特征的方法进行特征融合时所带来的信息损失,最大程度的保留了不同粒度的特征的统计特征的信息。
步骤204,基于多维度的统计特征,得到步态序列的分类结果。
在本实施例中,在得到多维度的统计特征后,可以将多维度的统计特征输入预先训练的分类模型,从而得到预先训练的分类模型输出的步态序列的分类结果。
在这一过程中,由于输入的多维度统计特征充分挖掘了步态序列所蕴含的信息,因此可以提高分类结果的准确度。
本领域技术人员可以理解的是,预先训练的分类模型,可以采用已标记分类结果的多维度统计特征的样本,训练初始分类模型得到。在此不再赘述。
本公开上述实施例的用于识别步态的方法,能够采用图像集级别的多个维度的统计特征确定步态序列中的人像的分类结果,由于图像集级别的多个维度的统计特征融合了各张图片所对应的不同粒度的特征,关联和挖掘了步态序列的全局和局部信息,提高了用于分类的特征的准确性,进而提高了对步态序列进行分类的准确性,减少了对于输入的步态序列中帧数的依赖。
以下结合图4,描述本公开的用于识别步态的方法的示例性应用场景。
如图4所示,图4示出了根据本公开的用于识别步态的方法的一个示例性应用场景。
如图4所示,用于识别步态的方法400运行于电子设备420中,方法400包括:
首先,获取步态序列401中的各张图片所对应的不同粒度的特征402;
之后,获取各张图片所对应的不同粒度的特征的多个统计特征403;
之后,在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征403,得到步态序列的多维度的统计特征404;
最后,基于多维度的统计特征404,得到步态序列的分类结果405。
应当理解,上述图4中所示出的用于识别步态的方法的应用场景,仅为对于用于识别步态的方法的示例性描述,并不代表对该方法的限定。例如,上述图4中示出的各个步骤,可以进一步采用更为细节的实现方法。也可以在上述图4的基础上,进一步增加细化如何实现某一步骤的子步骤。
进一步参考图5,图5示出了根据本公开的用于识别步态的方法的另一个实施例的示意性流程图。
如图5所示,本实施例的用于识别步态的方法500,可以包括以下步骤:
步骤501,获取步态序列中的各张图片所对应的不同粒度的特征。
在本实施例中,用于识别步态的方法的执行主体(例如图1所示的终端或服务器)可以获取步态序列,之后对于步态序列中的各张图片,获取不同粒度的图像帧级别的特征(frame-level特征)。
其中,步态序列为由独立的步态图像帧组成的图像序列,可以采用现有技术或未来发展的技术中获取步态序列的方法来获取,本申请对此不做限定。例如,对于一段给定的包含一个或多个行人行走过程的视频帧序列,可以对其行人检测、行人分割、行人追踪和行人识别,并采用掩码区域卷积神经网络和前背景分离技术,分离出行人的步态序列。上述获取的不同粒度的特征,是指获取的不同的细化程度或综合程度的特征。
步骤502,将步态序列的每张图片分别输入至预先训练的MGN网络的分支共享网络,得到分支共享网络所连接的各个分支网络输出的各张图片所对应的不同粒度的特征。
在本实施例中,MGN网络中的分支共享网络和各个分支网络如图6所示,包括:位于前三层的分支共享网络601、连接分支共享网络的输出的三个分支网络;其中,三个分支网络包括:提取输入图片的全局特征的第一个分支网络602;提取输入图片被二分后的二分粒度特征的第二个分支603;提取输入图片被四分后的四分粒度特征的第三个分支网络604。
图6中所示的MGN网络中的分支共享网络和各个分支网络,为预先训练好的MGN网络中的分支共享网络和各个分支网络,可以将步态序列里的每张图像分别输入图6中所示的MGN网络中的分支共享网络,得到各个分支网络输出的多个不同粒度的帧级别特征。
根据步态识别的特性,这里采用了一个全局表示的分支602和两个局部表示的分支603、604。第一个分支602负责整张图片的全局信息提取,第二个分支603会将图片分为上下两个部分提取中粒度的语意信息,第三个分支604会将图片从上至下分为四个部分提取更细粒度的信息。这三个分支既有合作又有分工,前三个低层权重共享,后面的高层权重独立,这样就能够像人类认知事物的原理一样即可以看到步态的整体信息与又可以兼顾到多粒度的局部信息。
返回图5,步骤503,在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征。
本实施例中,针对每一个统计特征维度,可以采用现有技术或未来发展的技术中融合特征的方法来融合各张图片所对应的不同粒度的特征的统计特征,本申请对此不做限定。
步骤504,基于多维度的统计特征,得到步态序列的分类结果。
在本实施例中,在得到多维度的统计特征后,可以将多维度的统计特征输入预先训练的分类模型,从而得到预先训练的分类模型输出的步态序列的分类结果。
在这一过程中,由于输入的多维度统计特征充分挖掘了步态序列所蕴含的信息,因此可以提高分类结果的准确度。
本领域技术人员可以理解的是,预先训练的分类模型,可以采用已标记分类结果的多维度统计特征的样本,训练初始分类模型得到。在此不再赘述。
本领域技术人员可以理解的是,上述图5所示的实施例中用于识别步态的方法中的步骤501、503和504,分别与上述图2所示的实施例中用于识别步态的方法中的步骤201、203和204相对应。因此上述图2中针对步骤201、203和204所描述的操作和特征,同样适用于步骤501、503和504,在此不再赘述。
本公开图5的实施例中的用于识别步态的方法,在图2中所示的用于识别步态的方法的基础上,细化了采用预先训练的MGN网络获取步态序列中的各张图片所对应的不同粒度的特征,兼顾了步态的整体信息和多粒度的局部信息,提升了所提取的不同粒度的特征的全面性,进而提高了基于不同粒度的特征得到的多维度统计特征的全面性,并且提高了得到的步态序列的分类结果的准确性。
进一步参考图7,作为对上述各图所示方法的实现,本公开实施例提供了一种用于识别步态的装置的一个实施例,该装置实施例与图2-图6中所示的方法实施例相对应,该装置具体可以应用于上述终端设备或服务器中。
如图7所示,本实施例的用于识别步态的装置700可以包括:粒度特征获取单元710,被配置成获取步态序列中的各张图片所对应的不同粒度的特征;统计特征获取单元720,被配置成获取各张图片所对应的不同粒度的特征的多个统计特征;统计特征融合单元730,被配置成在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征;统计特征分类单元740,被配置成基于多维度的统计特征,得到步态序列的分类结果。
在本实施例的一些可选实现方式中,粒度特征获取单元710中的步态序列采用以下单元(图中未示出)获取:图像帧截取单元,被配置成从原始视频的同一步态周期或相邻步态周期中截取多个图像帧;人像分割单元,被配置成从截取的多个图像帧中分割出人像,得到人体轮廓序列;步态序列生成单元,被配置成将人体轮廓序列中的人体轮廓图像归一化为相同高度的二值轮廓图像,得到步态序列。
在本实施例的一些可选实现方式中,粒度特征获取单元710进一步被配置成:将步态序列的每张图片分别输入至预先训练的MGN网络的分支共享网络,得到分支共享网络所连接的各个分支网络输出的各张图片所对应的不同粒度的特征。
在本实施例的一些可选实现方式中,粒度特征获取单元710中所采用的MGN网络包括:位于前三层的分支共享网络、连接分支共享网络的输出的三个分支网络;其中,三个分支网络包括:提取输入图片的全局特征的第一个分支网络;提取输入图片被二分后的二分粒度特征的第二个分支;提取输入图片被四分后的四分粒度特征的第三个分支网络。
在本实施例的一些可选实现方式中,统计特征融合单元730进一步被配置成:在每一个统计特征维度,拼接各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征。
在本实施例的一些可选实现方式中,统计特征获取单元720中的多个统计特征包括:均值、四个分位数、二阶矩和三阶矩。
应当理解,装置700中记载的各个单元与参考图2-图6描述的方法中记载的各个步骤相对应。由此,上文对于方法描述的操作和特征同样适用于装置700及其中包含的各个单元,在此不再赘述。
下面参考图8,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)800的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如笔记本电脑、台式计算机等。图8示出的终端设备/服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取步态序列中的各张图片所对应的不同粒度的特征;获取各张图片所对应的不同粒度的特征的多个统计特征;在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征;基于多维度的统计特征,得到步态序列的分类结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括粒度特征获取单元、统计特征获取单元、统计特征融合单元和统计特征分类单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,编码器输入单元还可以被描述为“获取步态序列中的各张图片所对应的不同粒度的特征的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于识别步态的方法,包括:
获取步态序列中的各张图片所对应的不同粒度的特征;
获取各张图片所对应的不同粒度的特征的多个统计特征;
在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征;
基于多维度的统计特征,得到步态序列的分类结果。
2.根据权利要求1所述的方法,其中,所述步态序列基于以下步骤获取:
从原始视频的同一步态周期或相邻步态周期中截取多个图像帧;
从截取的多个图像帧中分割出人像,得到人体轮廓序列;
将所述人体轮廓序列中的人体轮廓图像归一化为相同高度的二值轮廓图像,得到步态序列。
3.根据权利要求1所述的方法,其中,所述获取步态序列中的各张图片所对应的不同粒度的特征包括:
将步态序列的每张图片分别输入至预先训练的MGN网络的分支共享网络,得到分支共享网络所连接的各个分支网络输出的各张图片所对应的不同粒度的特征。
4.根据权利要求3所述的方法,其中,所述MGN网络包括:位于前三层的分支共享网络、连接所述分支共享网络的输出的三个分支网络;
其中,所述三个分支网络包括:提取输入图片的全局特征的第一个分支网络;提取输入图片被二分后的二分粒度特征的第二个分支;提取输入图片被四分后的四分粒度特征的第三个分支网络。
5.根据权利要求1所述的方法,其中,所述在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征包括:
在每一个统计特征维度,拼接各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征。
6.根据权利要求1-5任意一项所述的方法,其中,所述多个统计特征包括:均值、四个分位数、二阶矩和三阶矩。
7.一种用于识别步态的装置,包括:
粒度特征获取单元,被配置成获取步态序列中的各张图片所对应的不同粒度的特征;
统计特征获取单元,被配置成获取各张图片所对应的不同粒度的特征的多个统计特征;
统计特征融合单元,被配置成在每一个统计特征维度,融合各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征;
统计特征分类单元,被配置成基于多维度的统计特征,得到步态序列的分类结果。
8.根据权利要求7所述的装置,其中,所述粒度特征获取单元中的所述步态序列采用以下单元获取:
图像帧截取单元,被配置成从原始视频的同一步态周期或相邻步态周期中截取多个图像帧;
人像分割单元,被配置成从截取的多个图像帧中分割出人像,得到人体轮廓序列;
步态序列生成单元,被配置成将所述人体轮廓序列中的人体轮廓图像归一化为相同高度的二值轮廓图像,得到步态序列。
9.根据权利要求7所述的装置,其中,所述粒度特征获取单元进一步被配置成:
将步态序列的每张图片分别输入至预先训练的MGN网络的分支共享网络,得到分支共享网络所连接的各个分支网络输出的各张图片所对应的不同粒度的特征。
10.根据权利要求9所述的装置,其中,所述粒度特征获取单元所采用的所述MGN网络包括:位于前三层的分支共享网络、连接所述分支共享网络的输出的三个分支网络;
其中,所述三个分支网络包括:提取输入图片的全局特征的第一个分支网络;提取输入图片被二分后的二分粒度特征的第二个分支;提取输入图片被四分后的四分粒度特征的第三个分支网络。
11.根据权利要求7所述的装置,其中,所述统计特征融合单元进一步被配置成:
在每一个统计特征维度,拼接各张图片所对应的不同粒度的特征的统计特征,得到多维度的统计特征。
12.根据权利要求7-11任意一项所述的装置,其中,所述多个统计特征包括:均值、四个分位数、二阶矩和三阶矩。
13.一种电子设备/终端/服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064256.4A CN111291640B (zh) | 2020-01-20 | 2020-01-20 | 用于识别步态的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064256.4A CN111291640B (zh) | 2020-01-20 | 2020-01-20 | 用于识别步态的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291640A CN111291640A (zh) | 2020-06-16 |
CN111291640B true CN111291640B (zh) | 2023-02-17 |
Family
ID=71028398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010064256.4A Active CN111291640B (zh) | 2020-01-20 | 2020-01-20 | 用于识别步态的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291640B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561069B (zh) * | 2020-12-23 | 2021-09-21 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994022363A1 (en) * | 1993-04-02 | 1994-10-13 | Osachi Co., Ltd. | Electronic blood pressure measuring instrument |
US5457680A (en) * | 1993-05-18 | 1995-10-10 | International Business Machines Corporation | Data gateway for mobile data radio terminals in a data communication network |
CA2364877A1 (en) * | 1999-03-10 | 2000-09-14 | Cold Spring Harbor Laboratory | Gene chip technology for determining memory genes |
CN109447128A (zh) * | 2018-09-29 | 2019-03-08 | 中国科学院自动化研究所 | 基于微惯性技术的行走和原地踏步运动分类方法和*** |
CN109583375A (zh) * | 2018-11-30 | 2019-04-05 | 中山大学 | 一种多特征融合的人脸图像光照识别方法及*** |
CN110246518A (zh) * | 2019-06-10 | 2019-09-17 | 深圳航天科技创新研究院 | 基于多粒度动静态融合特征的语音情感识别方法、装置、***及存储介质 |
CN110378301A (zh) * | 2019-07-24 | 2019-10-25 | 北京中星微电子有限公司 | 行人重识别方法及*** |
CN110399835A (zh) * | 2019-07-26 | 2019-11-01 | 北京文安智能技术股份有限公司 | 一种人员停留时间的分析方法、装置及*** |
CN110428006A (zh) * | 2019-08-01 | 2019-11-08 | 中国科学院自动化研究所 | 计算机生成图像的检测方法、***、装置 |
WO2020006964A1 (zh) * | 2018-07-06 | 2020-01-09 | 北京字节跳动网络技术有限公司 | 图像检测方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8694449B2 (en) * | 2009-05-29 | 2014-04-08 | Board Of Trustees Of Michigan State University | Neuromorphic spatiotemporal where-what machines |
CN108460335B (zh) * | 2018-01-26 | 2022-05-27 | 百度在线网络技术(北京)有限公司 | 视频细粒度识别方法、装置、计算机设备及存储介质 |
JP7304223B2 (ja) * | 2018-07-09 | 2023-07-06 | タタ コンサルタンシー サービシズ リミテッド | ハイブリッド学習技法を生成するための方法およびシステム |
-
2020
- 2020-01-20 CN CN202010064256.4A patent/CN111291640B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994022363A1 (en) * | 1993-04-02 | 1994-10-13 | Osachi Co., Ltd. | Electronic blood pressure measuring instrument |
US5457680A (en) * | 1993-05-18 | 1995-10-10 | International Business Machines Corporation | Data gateway for mobile data radio terminals in a data communication network |
CA2364877A1 (en) * | 1999-03-10 | 2000-09-14 | Cold Spring Harbor Laboratory | Gene chip technology for determining memory genes |
WO2020006964A1 (zh) * | 2018-07-06 | 2020-01-09 | 北京字节跳动网络技术有限公司 | 图像检测方法和装置 |
CN109447128A (zh) * | 2018-09-29 | 2019-03-08 | 中国科学院自动化研究所 | 基于微惯性技术的行走和原地踏步运动分类方法和*** |
CN109583375A (zh) * | 2018-11-30 | 2019-04-05 | 中山大学 | 一种多特征融合的人脸图像光照识别方法及*** |
CN110246518A (zh) * | 2019-06-10 | 2019-09-17 | 深圳航天科技创新研究院 | 基于多粒度动静态融合特征的语音情感识别方法、装置、***及存储介质 |
CN110378301A (zh) * | 2019-07-24 | 2019-10-25 | 北京中星微电子有限公司 | 行人重识别方法及*** |
CN110399835A (zh) * | 2019-07-26 | 2019-11-01 | 北京文安智能技术股份有限公司 | 一种人员停留时间的分析方法、装置及*** |
CN110428006A (zh) * | 2019-08-01 | 2019-11-08 | 中国科学院自动化研究所 | 计算机生成图像的检测方法、***、装置 |
Non-Patent Citations (5)
Title |
---|
Learning Discriminative Features with Multiple Granularities for Person Re-Identification;Guanshuo Wang等;《MM "18: Proceedings of the 26th ACM international conference on Multimedia》;20181030;第274-282页 * |
基于C-LSTM模型的端到端多粒度运动想象脑电信号分析方法;***等;《信号处理》;20180825(第08期);第5-12页 * |
基于小波系数区域相似度的医学图像融合;黄彩霞等;《计算机应用研究》;20080115(第01期);第280-282页 * |
基于混合图上随机游走的视觉注意显著目标检测模型;胡正平等;《仪器仪表学报》;20110715(第07期);第175-182页 * |
多特征组合和图切割支持的物体/背景分割方法;邓宇等;《计算机研究与发展》;20081015(第10期);第96-102页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111291640A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520220B (zh) | 模型生成方法和装置 | |
CN109214343B (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
CN108427939B (zh) | 模型生成方法和装置 | |
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
CN108491823B (zh) | 用于生成人眼识别模型的方法和装置 | |
CN108509994B (zh) | 人物图像聚类方法和装置 | |
CN111444744A (zh) | 活体检测方法、装置以及存储介质 | |
CN113515942A (zh) | 文本处理方法、装置、计算机设备及存储介质 | |
CN111696176A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN108491812B (zh) | 人脸识别模型的生成方法和装置 | |
CN111523413A (zh) | 生成人脸图像的方法和装置 | |
CN111539903B (zh) | 训练人脸图像合成模型的方法和装置 | |
CN111930964B (zh) | 内容处理方法、装置、设备及存储介质 | |
US20230036338A1 (en) | Method and apparatus for generating image restoration model, medium and program product | |
CN108399401B (zh) | 用于检测人脸图像的方法和装置 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN111539287A (zh) | 训练人脸图像生成模型的方法和装置 | |
CN111292333B (zh) | 用于分割图像的方法和装置 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN112037305B (zh) | 对图像中的树状组织进行重建的方法、设备及存储介质 | |
CN108257081B (zh) | 用于生成图片的方法和装置 | |
CN111291640B (zh) | 用于识别步态的方法和装置 | |
CN113111684B (zh) | 神经网络模型的训练方法、装置和图像处理*** | |
CN110619602B (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
CN113780239A (zh) | 虹膜识别方法、装置、电子设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |